Summary
Presentert her er en protokoll for å undersøke forbrukernes reaksjoner mot masse tilpasning i sammenheng med online detaljhandel. Protokollen beskriver fremgangsmåten for elektronisk undersøkelse og hvordan du analyserer data ved hjelp av strukturelle formel modellering og gruppe forskjeller ved hjelp av latente middel analyser.
Abstract
Som mange forskere og utøvere studere tilpassing og relasjonsmarkedsføring, er det viktig å gi tilpassing som masse tilpasning gjennom markedsføring teknologi. Formålet med denne studien er å undersøke hvordan man utfører Forbrukerundersøkelser ved hjelp av en elektronisk undersøkelse og analyse av data. Denne studien undersøker forbrukernes oppfattet fordeler mens du tilpasser et produkt samt emosjonelle produkt vedlegg, holdninger til et tilpasnings program, og lojalitet intensjoner i forbindelse med online detaljhandel. I tillegg undersøker denne studien hvordan forbrukernes reaksjoner er forskjellige basert på individuelle egenskaper som mote innovasjon. En spørreundersøkelse selskap i Sør-Korea rekruttert 290 kvinnelige klær shoppere som har kjøpt klær på nettet. For å forbedre ekstern gyldighet, denne studien brukte en eksisterende Retail nettsted med en veletablert masse tilpasning program. Deltakerne fyller ut det nettbaserte spørreskjemaet etter at tilpasningsprogrammet er fullført. Strukturelle lignings modellering (SEM) og latente middel analyser (Lmaer) blir deretter utført for analyser. Denne studien understreker viktigheten av testing måling invarians for gjennomsnittlig sammenligninger. Før SEM og LMA, denne studien følger hierarkiet av invarians tester (configural invarians test, metrisk invarians test, og skalerbare invarians test), som ikke anses av tradisjonelle tilnærminger som ANOVA. Disse statistiske analysene gir anvendelse av de invarians testprosedyrene og LMA til forbrukeradferd. Konklusjonene i Mean forskjeller har integritet og gyldighet fordi de styres av en sofistikert statistisk prosedyre for å sikre måling invarians.
Introduction
Masse tilpasning refererer til muligheten for en e-forhandler for å skreddersy produkter, tjenester og transaksjonsmiljøet til individuelle kunder1. Dagens forbrukere er ikke fornøyd med standard produkter, og mange forhandlere har innsett dette. Tilbyr en masse tilpasning alternativet er en metode for å få kundelojalitet og konkurransedyktige fordeler2. Masse tilpasning som en markedsføring taktikk lar forbrukerne til å lage sine egne produkter basert på bestemte behov, og dermed gir individualisert produkter eller tjenester3. For eksempel kan forbrukerne ikke bare kjøpe et par sko som er masseprodusert, men de kan også opprette et nytt og unikt par sko som ikke er tilgjengelige på vanlige nettsteder for detaljhandel ved å velge farge, stoff og andre design komponenter. Som et resultat, kan forbrukerne kjøpe mer gunstige produkter, og deres tilfredshet med det tilpassede produktet samt merkevarelojalitet økning4,5.
Med økende bruk av Internett har masse tilpasningsprosessen blitt raskere og mer effektiv når det gjelder å senke produksjonstiden og gi flere design muligheter med samme kostnader. Videre kan forhandlere få informasjon om hva deres mål kunder foretrekker, og dermed bygge sterke relasjoner med dem6,7. Som sådan, mange bransjer (dvs. klær, sko, biler og datamaskiner) har vedtatt tilpasnings programmer. Selv om masse tilpassing fordeler både forbrukere og forhandlere, noen forhandlere står overfor utfordringer8. Derfor er det behov for å undersøke hvordan forbrukerne oppfatter fordeler og hvordan disse fordelene påvirker andre shopping-responser for langsiktig suksess.
Tegning på hierarkiet av effekter (hakke) modell fra overtalelse teorier9, denne studien foreslår at forbrukerne behandle informasjon basert på kognisjon-påvirke-conation sekvens. Nærmere bestemt undersøker denne studien (etter å ha opprettet et masse tilpasset produkt) om oppfattet forbruker fordeler (kognisjon) påvirker lojalitet intensjoner (conation) gjennom produkt vedlegget og holdningen til en masse tilpasning program (innvirkning) . Basert på motivasjon teori10, oppfattes fordelene er delt inn i ytre og iboende fordeler11.
Ytre fordel gjelder en forbruker oppfattet verdi som stammer fra å bruke et produkt12 (dermed nær i verdi til produktkvalitet11), mens iboende fordel indikerer en hyggelig opplevelse når du bruker et produkt11. I en masse tilpasning kontekst, ytre fordelen er knyttet til produktet en forbruker skaper, og iboende fordel er knyttet til tilpasning erfaring som tilfredsstiller hedonic og eksperimentelle behov13,14. Tidligere forskning har funnet at forbrukernes oppfattet fordeler forbedre emosjonelle produktet vedlegg15 og positive holdninger til en masse tilpasning program16. Emosjonell produkt vedlegg refererer til en følelsesmessig slips som forbrukerne koble til et produkt17, som positivt påvirker holdninger til tilpasnings program18 og lojalitet intensjoner19. Videre holdninger til et tilpasnings program positivt påvirke lojalitet intensjoner20.
Til slutt, undersøker denne studien hvordan en individuell karakteristikk (dvs. mote innovasjon) påvirker forbrukernes reaksjoner annerledes. Fashion innovasjon refererer til i hvilken grad en persons innovative tendens påvirker adopsjon av en ny mote element21. Forskningsresultater viser at forbrukere som ønsker å unngå konformitet (dvs. svært mote innovative forbrukere) er motivert til å erverve unike produkter, noe som indikerer at massen tilpasning kan være en effektiv taktikk for å skille seg fra andre 22. derfor forutsetter denne studien at et større antall positive svar vil bli generert for svært mote innovative forbrukere.
Basert på tidligere litteratur anmeldelser, denne studien løser følgende forsknings hypoteser. H1: oppfattet fordeler (a: ytre fordel, b: indre nytte) av en masse tilpasset produktet vil positivt påvirke emosjonelle produktet vedlegg; H2: oppfattet fordeler (a: ytre fordel, b: indre nytte) av en masse tilpasset produktet vil positivt påvirke holdninger til en masse tilpasning program; H3: Emotional produkt vedlegget vil positivt påvirke holdninger til en masse tilpasning program; H4: emosjonell produkt vedlegget vil positivt påvirke lojalitet intensjoner; H5: holdning til et masse tilpasnings program vil positivt påvirke lojalitet intensjoner; og H6: sammenlignet med lav mote innovasjon, high fashion innovatører vil ha mer positive svar på (a) oppfattet fordeler, (b) emosjonelle produkt vedlegg, (c) holdninger, og (d) atferdsmessige intensjoner.
For å forbedre ekstern gyldighet, bruker denne studien et eksisterende masse tilpasnings program. Potensielle deltakere i Sør-Korea er rekruttert for denne studien, og blir bedt om å lage sine egne grøft strøk ved hjelp av et program som om de faktisk hadde kjøpt produktet. For å utforske deltakernes svar basert på deres tilpasnings opplevelser, bruker denne studien en spørreundersøkelse på Internett. Deltakerne kan få tilgang til spørreskjemaet umiddelbart etter å ha brukt tilpasningsprogrammet på nettet. Etter innsamling av data, bruker studien enkelt gruppe SEM å undersøke virkningene av forbrukernes fordeler på produktet vedlegg, holdninger og lojalitet intensjoner. For å undersøke moderere rollene til mote innovasjon, bruker studien Lmaer.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
Denne forskningen ble fritatt fra IRB gjennomgang ved Ewha womans University og ble tildelt Protokollnummer #143-18.
1. rekruttering av deltakere
- Forbered deg på å gjennomføre en spørreundersøkelse.
Merk: En elektronisk undersøkelse ble utført ved hjelp av et undersøkelses firma i Sør-Korea. Forskningen selskapet har det størst forbrukeren panel med høy svaret ratene inne Korea. Distribusjoner av alder og kjønn i panelet reflekterer tilstanden til den koreanske befolkningen. Forbrukeren panelet har en høy grad av pålitelighet gjennom verifisering av virkelige navn. Siden forskningen selskapet forvalter panelet kontinuerlig med ulike innovative metoder, er panelets lojalitet mot forskningen selskapet høy; undersøkelsesresultatene fra selskapet er derfor kjent for å være svært pålitelige. - Rekruttere kvinnelige forbrukere som har erfaring shopping for klær online.
Merk: Kvinnelige forbrukere i Korea tilbringer en høy andel av inntekten på klær shopping, og shopping atferd forekommer det meste online23. Derfor er det hensiktsmessig å velge denne gruppen som deltakere for denne studien. - Send en invitasjon på e-post til deltakerne som inneholder informasjon om formålet med studiet og sikring av konfidensialiteten av deres svar.
- Send retningslinjer til de som godtar å delta i undersøkelsen viser hvordan du oppretter grøft strøk ved hjelp av tilpasnings program (se figur 1).
Merk: For å unngå potensielle situasjoner der deltakerne kan støte på problemer med å bruke tilpasningsprogrammet, sendte en moderator fra undersøkelses selskapet retningslinjene. Videre moderator kalt deltakerne og forklarte tilpasning prosedyren mens deltakerne gjennomgått retningslinjene. - Be deltakerne om å ta et skjermbilde av den opprettede ytterfrakk og gi en pris for pelsen for å sikre at de faktisk oppretter en grøft frakk i tilpasningsprogrammet.
- Send en kobling som er koblet til e-Mass tilpasningsprogrammet på et eksisterende shopping-webområde når deltakerne forstår prosedyren.
- Gi følgende scenario til deltakerne: "Vær så snill å tenke at du er vel-off nok til å kjøpe likable klær og må kjøpe en grøft pels for å delta på et viktig møte. Du ønsker å skape en unik ytterfrakk. Mens du surfer på Internett, kommer du over den perfekte klær nettsted som har en masse tilpasning program ".
Merk: Dette trinnet er nødvendig for å øke engasjementet nivåer og kontroll produkttype og forbrukernes oppfatning av produktet pris. - Tillat deltakerne 24 h å opprette en grøft frakk etter å ha lest scenariet.
Merk: Deltakerne står fritt til å lage en grøft frakk ved å velge en foretrukket total stil, krage, pels lengder, ermet lengde, lommer, stoff, og fôr i tilfelle at de faktisk vil kjøpe den. Hvis de har problemer med å lage en frakk i tilpasningsprogrammet, er de lov til å ringe og be moderator til enhver tid i løpet av 24 timer. - Aktiver undersøkelsen link etter 24 h slik at deltakerne som er klare til å ta undersøkelsen (dvs. de som er ferdig med å fange skjermbilde av grøften pelsen de opprettet) kan klikke på undersøkelsen link.
Figur 1: anvisninger for bruk av program for tilpasning av e-masse. Deltakere av online undersøkelse lese retninger om hvordan du oppretter grøften strøk ved hjelp av tilpasnings program og Følg trinn 1-8. Vennligst klikk her for å se en større versjon av dette tallet.
2. undersøkelse prosedyre
- Be deltakerne om å laste opp skjermbildet og prisen på ytter kåpen de opprettet, til den første siden i undersøkelsen (se figur 2).
Merk: Bare deltakere som laster opp skjermbildet, kan få tilgang til spørreskjemaet. - Be deltagerne fylle ut det nettbaserte spørreskjemaet om oppfattet fordeler, følelsesmessig tilknytning til det tilpassede produktet, holdningen til tilpasningsprogrammet, Lojalitets intensjoner og demografiske spørsmål (se tabell 1).
- Gi en belønning til de som fullfører undersøkelsen.
Merk: Her fikk deltakerne en belønning på ₩10 000 (om US $10) for deltakelse. Deltakere som avslutter undersøkelsen eller ikke klarer å gi skjermbilde og pris mottatt ₩1 000 (om US $1).
Figur 2: eksempler på grøft strøk opprettet ved hjelp av e-masse tilpasning programmet. Deltakerne skapte grøft strøk ved å velge en foretrukket krage, lengde, stoff, etc., etterfulgt av å laste opp et skjermbilde av grøften pelsen skapelsen. Vennligst klikk her for å se en større versjon av dette tallet.
| Ytre Benefit (Franke et al., 2009) |
| sammenlignet med standardprodukt, ville det tilpassede produktet ___________. |
| 1. bedre tilfredsstille mine krav |
| 2. bedre møte mine personlige preferanser |
| 3. mer sannsynlig å være den beste løsningen for meg |
| Indre gevinst (Franke og Schreier, 2010) |
| 1. jeg likte denne designen aktiviteten veldig mye |
| 2. jeg tenkte å designe produktet var ganske hyggelig |
| 3. Designing dette produktet var veldig interessant |
| Emosjonell produkt vedlegg (Thomson et al., 2005) |
| Sammenlignet med standardprodukt av dette merket, kan min følelse mot sitt tilpassede produkt være preget av ___________. |
| 1. hengivenhet |
| 2. tilkobling |
| 3. lidenskap |
| 4. fangenskap |
| Holdning til et masse tilpasnings program (Li et al., 2001) |
| Massen tilpasning programmet på dette nettstedet ble ___________. |
| 1. unappealing e tiltalende |
| 2. ubehagelig e behagelig |
| 3. skjemmende e attraktiv |
| 4. Dislikable e likable |
| Lojalitet intensjoner (Kwon og Lennon, 2009) |
| 1. jeg vil kjøpe et tilpasset produkt i denne tilpasningen programmet i nær framtid |
| 2. jeg vil anbefale denne tilpasnings program til venner eller slektninger |
| 3. jeg ville komme tilbake til denne nettsiden og tilpasse et produkt i nær framtid |
| Produkt involvering (Zaichkowsky, 1985) |
| For meg er klær ___________. |
| 1. uviktig e viktig |
| 2. kjedelig e interessant |
| 3. unappealing e tiltalende |
| 4. ikke nødvendig e nødvendig |
| 5. unexciting e exciting6. Verdiløs e verdifull |
| Mote innovasjon (Park et al., 2007) |
| 1. generelt, jeg er den siste i min krets av venner å vite navnene på de nyeste nye mote (R) |
| 2. generelt er jeg blant de siste i min krets av venner til å kjøpe en ny mote element når det vises (R) |
| 3. sammenlignet med mine venner, jeg eier nye mote elementer. |
| 4. jeg vet navnene på nye mote designere før andre mennesker gjør. |
| 5. Hvis jeg hørte at en ny mote element var tilgjengelig i butikken, ville jeg være interessert nok til å kjøpe den. |
| 6. jeg vil kjøpe en ny mote element selv om jeg ikke har sett det før. |
| (R) omvendt kodet |
Tabell 1: Måleskala. Denne tabellen er brukt tidligere29.
3. forberedelse av data
- Lagre undersøkelsesdataene i en SPSS-fil som "Data_TOTAL. sav" (se Figur 3), som inneholder alle svarene fra undersøkelses deltakerne. Slett saker som inneholder manglende verdier. Bruk renset data for å gjennomføre en SEM analyse.
- Skill total dataene i to datafiler: høy og lav mote innovative grupper. Bruk en median splitt. Sum og gjennomsnittlig scorene til seks elementer av moten innovasjon, og beregne median poengsum av moten innovasjon (med = 4,17).
Merk: Median splitt brukes ofte i psykologi og markedsundersøkelser, og ved hjelp av en median splitt for en kontinuerlig variabel for å undersøke gruppe forskjellene er gyldig24. - Falle i staver â € Recode i annerledes variabler under det "omdanne" meny. Lag en ny variabel, "mote innovativ gruppe (FIG)", ved koding "1 (Low Fashion innovative Group)" Hvis gjennomsnittlig poengsum er lavere enn medianen (f. eks median = 4,17), eller ved koding "2 (high fashion innovativ gruppe)" Hvis det er høyere enn medianen (se Figur 4 ).
- Klikk på "Split inn filer" under "data"-menyen, dobbeltklikker variabelen "mote innovativ gruppe (FIG)" for å flytte den til "Split Cases by"-feltet, og tilordne "Output File Directory" plassering for å lagre filene (se figur 5).
- Lagre "1. sav" og "2. sav" i den tilordnede katalogen. Endre filen navn å â € Data_low moten innovasjon. sav og â € Data_high moten innovasjon. sav å bruk begge to for LMA.
Figur 3: Data_TOTAL. Dataene omfatter svar fra alle deltakere (n = 290) som brukes til SEM-analyse. Vennligst klikk her for å se en større versjon av dette tallet.
Figur 4: opprette den nye variabelen "mote innovativ gruppe (fig)". Den nye variabelen (FIG) ble laget av koding "1 (Low Fashion innovative Group)" og "2 (høy innovativ gruppe)". Vennligst klikk her for å se en større versjon av dette tallet.
Figur 5: dele datasettet inn i to datafiler. Totaldata filen, "Data_TOTAL", ble delt inn i "Data_low Fashion innovasjon. sav" og "Data_high Fashion innovasjon. sav" filer for senere bruk i en LMA. Vennligst klikk her for å se en større versjon av dette tallet.
4. running en bekreftende faktoren analyse (CFA)
-
Gjennomføre en enkelt gruppe CFA med fem-faktor måle modell for å bekrefte konvergent gyldighet. Klikk på "Velg datafil (er) | Data_TOTAL. sav ". Utvikle måle modellen basert på forskningsspørsmålene.
- Målings modellen omfatter fem latente variabler (dvs. ytre fordel, iboende fordel, emosjonelle produkt vedlegg, holdninger til en masse tilpasning program, og lojalitet intensjoner) og 17 observerte variabler (tre observerte variabler for ytre fordel, tre for iboende nytte, fire for emosjonelle produkt vedlegget, fire for holdninger til en masse tilpasning program, og tre for lojalitet intensjoner). Sett variasjoner av de latente variablene som "1" (se figur 6 og figur 7). Klikk på Beregn estimater.
- Sjekk passe indekser av målingen modellen fra resultatene av én gruppe CFA: godhet-of-Fit index (GFI), justert godhet-of-Fit index (AGFI), normert Fit index (NFI), Tucker-Lewis index (TLI), komparative Fit index (CFI), og root bety kvadrat feil av tilnærming (RMSEA).
Figur 6: modell spesifikasjon for bekreftende faktoranalyse. Vennligst klikk her for å se en større versjon av dette tallet.
Figur 7: måle modell for bekreftende faktoranalyse. Målings modellen for CFA ble opprettet ved hjelp av AMOS-programmet. Varians for latente variabler ble angitt som "1". Vennligst klikk her for å se en større versjon av dette tallet.
5. kjøre en SEM
- For å teste forholdet mellom latente variabler, gjennomføre en SEM. Klikk på "Velg datafil (er) | Data_TOTAL. sav ". Utvikle SEM basert på forskningsspørsmål, inkludert fem latente variabler og 17 observerte variabler.
- Tegn piler fra "Extrinsic_V" og "Intrinsic_V" til "EP_Attachment" og "Attitude_MP", så vel som fra "EP_Attachment" og "Attitude_MP" til "lojalitet". Legg til tre ubemerket variabler, nemlig "Z1" som en indikasjon på "EP_Attatchment", "Z2" som en indikasjon på "Attitude_MP" og "Z3" som en indikasjon på "lojalitet" (se Figur 8, figur 9). Klikk på "Beregn anslag". Sjekk "anslag" og passer indekser av modellen.
Figur 8: modell spesifikasjon for strukturell formel modellering. Vennligst klikk her for å se en større versjon av dette tallet.
Figur 9: strukturelle ligningen modellering analyse. Vennligst klikk her for å se en større versjon av dette tallet.
6. gjennomføre invarians tester for LMA
- Å sammenligne høy og lav moten nyskapende holdene, oppførsel en LMA basert på mange--gruppe bekreftende faktoren analyse (MGCFA). Før LMA kan du teste configural invarians, metriske invarians og skalerbare invarians mellom begge gruppene25.
- Opprette fler gruppe målings modellen: Opprett målings modellen (dvs. modellen for MGCFA) med to grupper med navnet «høy» og «lav» under «Administrer grupper». Velg datafilene for gruppene på følgende måte: "Data_low Fashion innovasjon. sav" for lav mote innovativ gruppe og "Data_high mote innovasjon. sav" for high fashion innovativ gruppe (se Figur 10).
Figur 10: velge datafiler for grupper. Måle modellen for MGCFA ble opprettet, og to datafiler ("Data_low Fashion innovasjon. sav" og "Data_high Fashion innovasjon. sav") ble lastet opp. Vennligst klikk her for å se en større versjon av dette tallet.
-
Testing configural invarians
Merk: hvis strukturen til måle modellene i begge gruppene har samme form (dvs. samme dimensjoner og samme mønstre av faste og ikke-faste verdier), er configural invarians fornøyd (se Figur 11). Hvis tilpasningen av måle modellen er tilfredsstillende, går du videre til neste trinn for kontroll av metrisk invarians26.- Utfør CFA med den tidligere foreslåtte fem-faktor måle modell for hver gruppe. Klikk på "Beregn anslag". Sjekk "anslag" og passer indekser av begge modeller. Hvis tilpasningen av begge modellene er tilfredsstillende og faktor koeffisienter er signifikante, går du videre til neste trinn.
- Gjennomfør MGCFA med den fem-faktor målings modellen som basismodell. Fix "1" for faktor koeffisienten fra hver latent variabel til den første observerte variabelen og la fri den andre faktoren koeffisienter. Klikk på "Beregn anslag".
- Sjekk "estimater" av de to gruppene og passer indekser av modellen. Hvis tilpasningen av modellen er tilfredsstillende og faktor koeffisienter er signifikante, er configural invarians fornøyd. Deretter går du videre til neste trinn som involverer beregningen invarians test.
Figur 11: like dimensjoner og former for målings modellene på tvers av to grupper. (A) modell for høy mote innovativ gruppe og (B) modell for lav mote innovativ gruppe. Vennligst klikk her for å se en større versjon av dette tallet.
-
Testing metrisk invarians
Merk: testen av metrisk invarians evaluerer om faktor koeffisienter som knytter latente variabler til observerte variabler, er like på tvers av grupper.- For å teste metriske invarians, reparerer du faktor koeffisienter på tvers av grupper. Skriv inn samme navn for samme koeffisienter på tvers av grupper (for eksempel "a" for Extrinsic_V | E2, "j" for EP_Attachment | EA4, se Figur 12). Klikk på "Beregn anslag". Sjekk "estimater" av de to gruppene og passer indekser av modellen.
- Gjennomføre en chi-kvadrat forskjell test ved å sammenligne den fullstendige metrisk invarians modellen (dvs. modellen med fast faktor koeffisienter på tvers av grupper) med configural invarians modellen (dvs. modellen med fri faktor koeffisienter på tvers av gruppen). Hvis den chi-kvadrat forskjellen er ikke-signifikant, er den metriske invarians fornøyd. Deretter går du videre til neste trinn som involverer den skalerbare invarians-testen25,26,27.
Figur 12: fikse faktor koeffisienter på tvers av grupper. Ved å skrive inn samme navn for samme koeffisienter på tvers av grupper, ble faktor koeffisienter hindret. Vennligst klikk her for å se en større versjon av dette tallet.
-
Teste skalerbare invarians
Merk: skalerbare invarians betyr at 1) de samme verdiene på den latente konstruksjonen er forbundet med de samme verdiene på den observerte variabelen og 2) forskjellene i midlene av de observerte variablene er avledet fra gjennomsnittet forskjeller av latente variabler. Hvis du vil teste skalerbare invarians, begrenser du avskjærer observerte variabler slik at de er like på tvers av grupper28.- Klikk på «analyseegenskaper» under «Vis»-menyen. Klikk på "estimering" tab og sjekk "Beregn midler og avskjærer". Høyreklikk hver observerte variabel og velg "objektegenskaper". Velg fanen "Parameters" og skriv inn parameternavnene som "int_e1" og "int_ea1" i skjærings tekstboksene (se figur 13).
- Gjennomføre en chi-kvadrat forskjell test ved å sammenligne full metrisk/full skalerbare invarians modell (dvs. modellen med fast avskjærer av observerte variabler og fast faktor koeffisienter på tvers av grupper) med full metrisk invarians modell (dvs. modellen med fast faktor koeffisienter på tvers av grupper). Hvis den chi-kvadrat forskjellen er ikke-signifikant, full metrisk/full skalerbare invarians er fornøyd.
Merk: Her brukes et spesifikt hierarki (configural invarians test, metrisk invarians test, skalerbare invarians test). Når hver invarians test er fornøyd, gjennomføre LMA ved hjelp av endelig valgt modell (dvs. full metrisk/full skalerbare invarians modell).
Figur 13: skrive inn parameternavn i tekstboksen skjæringspunkt.
Vennligst klikk her for å se en større versjon av dette tallet.
7. kjøre en LMA
- Gjennomføre en LMA ved å benytte full skalerbare/full metrisk invarians modell27,28. For å sammenligne hjelp av latente variabler, fikse hjelp av latente variabler i en gruppe og la dem være fri i den andre gruppen.
- Beregn gjennomsnitts forskjellene på tvers av grupper ved å rette opp en av midlene til null for en referansegruppe, og deretter estimere middelverdiene for den andre gruppen. Dermed fikse hjelp av alle de latente variablene i lav mote nyskapende gruppe på null. Det er viktig å sikre at hjelp av latente variabler i høy mote innovativ gruppe er gratis og deres variasjoner i begge gruppene er gratis (se figur 14).
- Klikk på "Beregn anslag". Sjekk "estimater" av de to gruppene og passer indekser av modellen.
- Klikk på "Vis tekst" og sjekke hjelp av latente variabler i high fashion innovativ gruppe under "anslag" (se Figur 15).
Figur 14: innstilling av latente variable midler og avvik. (A) high fashion innovativ gruppe og (B) lav mote nyskapende gruppe. Vennligst klikk her for å se en større versjon av dette tallet.
Figur 15: output for latent betyr analyse. Vennligst klikk her for å se en større versjon av dette tallet.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Frekvens statistikk som tilbys karakteristikker av prøven. Totalt 290 kvinnelige online forbrukere fullførte shopping prosessen ved hjelp av e-Mass tilpasnings program. De demografiske egenskapene til prøven ble jevnt fordelt. Etter aldersgruppe, 23,1% var i tyve årene, 28,3% i trettiårene, 26,6% i sine fourties, og 22,1% i femti. Ved ekteskapelig status, 58,3% giftet seg, mens 40% var singel. Ved okkupasjonen var 45,2% kontor arbeidere, 22,8% var husmødre, 10,3% var profesjonelle, 9,3% var studenter, og 5,5% var i servicesektoren (tabell 2).
En enkelt gruppe CFA ble gjennomført med fem latente variabler ("Extrinsic_V", "Intrinsic_V", "EP_Attachment", "Attitude_MP", og "lojalitet") og 17 observerte variabler. Tilpasningen av den fem-faktor målings modellen ble evaluert. Selv om chi-kvadrat statistikken var signifikant (chi-kvadrat = 179,63, DF = 109, p = 0,000), den chi-kvadrat statistikken er følsom for store utvalgsstørrelser (n = 209). Verdiene av andre Fit indekser indikerte en god overordnet modell Fit (GFI = 0,93, AGFI = 0,91, NFI = 0,97, TLI = 0,98, CFI = 0,99, og RMSEA = 0,05). Alle kritiske forholdstall (CRs) av faktor koeffisienter var signifikante (p < 0,001), og antydet at konvergent gyldighet ble oppnådd (Figur 16).
| Aldersgruppe | ||
| Frekvens | Prosent | |
| 20 ' s | 67 | 23,1 |
| 30 ' s | 82 | 28,3 |
| 40 ' s | 77 | 26,6 |
| 50 ' s ~ | 64 | 22,1 |
| Okkupasjon | ||
| Frekvens | Prosent | |
| Studenter | 27 | 9,3 |
| kontor arbeidere | 131 | 45,2 |
| Produksjon | 1 | 0,3 |
| Tjenesten | 16 | 5,5 |
| Fagfolk | 30 | 10,3 |
| Business | 12 | 4,1 |
| Fruer | 66 | 22,8 |
| Andre | 7 | 2,4 |
| Totalt | 290 | 100,0 |
| Sivilstand | ||
| Frekvens | Prosent | |
| varesalg | 116 | 40,0 |
| Gift | 169 | 58,3 |
| Andre | 5 | 1,7 |
| Totalt | 290 | 100,0 |
Tabell 2: eksempler på egenskaper.
Figur 16: output for bekreftende faktoranalyse. Vennligst klikk her for å se en større versjon av dette tallet.
En enkelt gruppe SEM ble gjennomført. Fit indekser av målingen modellen avdekket en akseptabel passform (GFI = 0,93, AGFI = 0,91, NFI = 0,97, TLI = 0,98, CFI = 0,99, og RMSEA = 0,05). CR verdiene av banen koeffisienter var betydelige og avslørte følgende: (1) positive effekter av "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 effekter av "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 effekter av "EP_Attachment" på "Attitude_MP" (Beta = 0,328, CR = 4,905, p < 0,001); og (4) positive effekter av "Attitude_MP" på "lojalitet" (Beta = 0,846, CR = 6,932, p < 0,001). Effekten av "EP_Attachment" på "lojalitet" var ikke signifikant (Beta = 0,078, CR = 0,696, p = 0,486; se tabell 3).
| Bane koeffisient | Anslag | Standardisert 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"--> "lojalitet" | 0,078 | 0,062 | 0,113 | 0,696 | 0,486 |
| "Attitude_MP"--> "lojalitet" | 0,846 | 0,645 | 0,122 | 6,932 | *** |
| p-verdi < 0,001 | |||||
Tabell 3: resultater av enkelt gruppe strukturell formel modellering. Denne tabellen er endret fra en tidligere publikasjon29.
Ved å benytte en median splitt (med = 4,17) ble dataene delt inn i to grupper: lav mote innovativ gruppe og høy mote innovativ gruppe. En t-test ble utført og avslørte betydelige gjennomsnittlige forskjeller i mote innovasjon mellom høy og lav mote innovative grupper (Mhøy = 5,03 > Mlav = 3,50; SDhøy = 0,72, SDlav = 0,68; Nhøy = 141, nlav = 149; t = 18,53, DF = 288, p < 0,001).
Før sammenligne den latente middel mellom høy og lav mote innovative grupper, et hierarki av invarians tester ble utført. Først CFAs med den foreslåtte fem-faktor måling modellen ble gjennomført separat for lav mote innovative og high fashion innovative grupper. Resultatene avslørte en utmerket modell passer for lav mote innovativ gruppe (NFI = 0,96, TLI = 0,99, CFI = 0,99, og RMSEA = 0,04) og high fashion innovativ gruppe (NFI = 0,93, TLI = 0,97, CFI = 0,97, og RMSEA = 0,07). Alle faktor koeffisienter var betydelige, og antyder at den fem-faktor-modellen er akseptert for begge grupper.
Det neste trinnet var å flytte fra én gruppe CFA til MGCFA å krysse validere fem-faktor måle modell for begge gruppene. Modell 1 (configural invarians modell) ble testet for å bekrefte om den foreslåtte strukturen vil være den samme på tvers av lav og høy mote innovative grupper. Resultatene fant at tilpasningen av modellen var tilfredsstillende. Verdiene av andre Fit indekser indikerte den gode generelle modellen passer (NFI = 0,94, TLI = 0,98, CFI = 0,98, og RMSEA = 0,04; se Tabell 4). Dermed ble configural invarians oppnådd. Alle CRs faktor koeffisienter var signifikante (p < 0,001). Modell 1 ble betraktet som en grunnmodell.
For å teste metriske invarians var faktor koeffisienter begrenset til å være de samme på tvers av to grupper, og en annen MGCFA ble utført (modell 2). Siden modell 2 ble nestet i modell 1, en chi-kvadrat forskjell test ble gjennomført. Resultatet avslørte at en chi-kvadrat forskjell på 14,728 (DF = 12) ikke var signifikant (p = 0,257), og metriske invarians var fornøyd (se Tabell 4). Et eksempel på den chi-kvadrat forskjellen testen er som følger: chi-kvadrat (modell 2)-chi-kvadrat (modell 1) = 323,492-308,764 = 14,728; DF forskjell: DF (modell 3)-DF (modell 2) = 230-218 = 12; chi-kvadrat (DF = 12) = 14,728, p-verdi = 0,256649.
Siden den metriske invarians modellen (modell 2) ble godtatt, ble invarians testet. Fanger av fem latente variabler var begrenset til å være lik på tvers av to grupper, og den siste MGCFA ble utført (modell 3). Siden full metrisk/full skalerbare invarians modell (modell 3) ble nestet i modell 2, en chi-kvadrat forskjell test ble gjennomført. Resultatene avslørte at en chi-kvadrat forskjell på 11,18 (DF = 12) ikke var signifikant (p = 0,514), og at den skalerbare invarians var fornøyd (se Tabell 4). Et eksempel på den chi-kvadrat forskjellen testen er som følger: chi-kvadrat (modell 3)-chi-kvadrat (modell 2) = 334,672-323,492 = 11,18; DF forskjell: DF (modell 3)-DF (modell 2) = 242-230 = 12; chi-kvadrat (DF = 12) = 11,18, p-verdi = 0,513559.
| Chi-kvadrat | Df | RMSEA | NFI | TLI | Cfi | |
| Configural invarians (opprinnelig modell): modell 1 | 308,764 | 218 | 0,038 | 0,94 | 0,98 | 0,98 |
| Full metrisk invarians: modell 2 | 323,492 | 230 | 0,038 | 0,94 | 0,98 | 0,98 |
| Full metrisk/full skalerbare invarians: Modell 3 | 334,672 | 242 | 0,036 | 0,94 | 0,98 | 0,98 |
| Chi-kvadrat forskjell | DF forskjell | P | Beslutning | |||
| Test av full metrisk invarians (modell 1 vs modell 2) | 14,728 | 12 | 0,256649 | Godta | ||
| Test av full skalerbare invarians (modell 1 vs modell 2) | 11,18 | 12 | 0,513559 | Godta | ||
Tabell 4: Tilpass indekser for invarians tester for LMA. Denne tabellen er endret fra en tidligere publikasjon29.
Gitt at configural invarians, metriske invarians og skalerbare invarians ble oppnådd, ble LMA utført. Den lave moten nyskapende gruppen ble brukt som referansegruppe, med sin hjelp av latente variabler fast på null, mens latent bety verdier for high fashion innovative gruppen ble anslått. Resultatene av LMA avslørte at midlene av fem latente variabler ("Extrinsic_V", "Intrinsic_V", "EP_Attachment", "Attitude_MP", og "lojalitet") for high fashion innovative grupper var positive verdier og var betydelig høyere enn for lav mote innovative grupper (se tabell 5).
| Konstruere | Lav | Høy | 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 * * * |
| Lojalitet | 0 | 0,980 | 0,169 | 5,796 * * * |
| p-verdi < 0.001 | ||||
Tabell 5: resultater fra LMA. Denne tabellen er endret fra en tidligere publikasjon29.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Konsekvenser av funnene
Funnene i denne studien viser at forbrukernes ytre og iboende fordeler avledet fra å skape en masse tilpasset produkt hjelpe veksten av emosjonelle vedlegg til produktet, etablering av positive holdninger til tilpasnings program, og økt lojalitet intensjoner. Funnene på moderere virkningene av mote innovasjon avslører at sammenlignet med forbrukerne i en lav mote innovasjon gruppe, de i en høy mote innovasjon gruppen oppfatter større fordeler, har større vedlegg, form mer gunstig holdninger til programmet, og har større lojalitet intensjoner. Disse resultatene gir teoretisk og praktisk innsikt støtte hakke modellen.
Implikasjoner av Online Survey metodikk
Denne studien gjennomførte en online undersøkelse ved hjelp av en undersøkelse selskap i Sør-Korea. Forskningen selskapet har det størst forbrukeren panel med høy svaret ratene inne Korea. Alder og kjønn distribusjoner i panelet reflekterer staten koreanske befolkningen. Forbrukeren panelet har en høy grad av pålitelighet gjennom verifisering av virkelige navn. Siden forskningen selskapet forvalter panelet kontinuerlig med ulike innovative metoder, er panelets lojalitet mot forskningen selskapet høy; Derfor blir undersøkelsesresultater oppnådd av selskapet sett på som svært pålitelige.
Bruken av et eksisterende masse tilpasnings program har fordeler i forhold til tradisjonelle eksperimentelle studier. Deltakerne kan prøve en masse tilpasning program i en naturlig og realistisk setting, snarere enn en som er forsettlig manipulert for studien. Selv om deltakerne forstår at de deltar i en studie, bruker de ikke masse tilpasnings program under etterforskning. Reaktivitet effekter kan fjernes, og deres svar mot massen tilpassede produktet er mer lik deres faktiske atferd når du oppretter et tilpasset produkt. Derfor denne studien disponerer fordelen av feltet forskning basert på naturalisme30, og dermed opprettholde en høy grad av ekstern gyldighet. Videre er deltakernes svar lik medlemmer av befolkningen som de ble valgt fra. Denne studien oppnår generalizability av funn for denne spesifikke tilstanden (dvs. kvinnelige online klær shoppere i Sør-Korea).
Denne studien gir et scenario til deltakere som ønsker å opprette et produkt i et tilpasnings program. En kritikk av scenario-baserte studier er deres eksterne gyldighet. Deltakerne er mer sannsynlig å være involvert i kognitive evalueringer enn emosjonelle seg på grunn av kunstig natur scenario31. Men funnene avslører at forbrukere som oppfatter fordeler fra det tilpassede produktet viser større emosjonelle vedlegg til produktet, noe som indikerer at de kan evaluere både kognitive og følelsesmessige aspekter av opplevelsen. Denne studien simulerer en kjøpsopplevelse i det virkelige liv ved hjelp av det beskrevne scenarioet. Som et resultat, deltakerne viser en høyere grad av engasjement i innkjøp situasjonen, ytterligere styrke ekstern gyldighet.
Implikasjoner av SEM og LMA
Denne studien gjelder SEM å teste forholdet mellom latente variabler, og det utnytter LMA med MGCFA å sammenligne hjelp av latente variabler over to forbrukergrupper (lav og høy mote innovative grupper). LMA krever hierarkiet av invarians tester, som følger kritiske trinn i en (1) configural invarians test, (2) metrisk invarians test, og (3) skalerbare invarians test. Det har blitt understreket at høy kvalitet forskning bør gjelde invarians tester før testing SEM og LMA, fordi invarians testene kan rette opp og vurdere målefeil innenfor hver latent variabel, anslå konstruere gyldighet, og evaluere måling invarians på tvers av grupper13. Resultatene av gjennomsnittlig sammenligninger kan variere i henhold til de anvendte dataanalysene, for eksempel ANOVA og MGCFA. Hvis måle invarians ikke holder, statistiske resultater av gjennomsnittlig forskjeller fra ANOVA og MGCFA bli annerledes og ugyldig32.
Denne studien understreker viktigheten av testing måling invarians for gjennomsnittlig sammenligninger og gir informasjon om anvendelse av invarians testprosedyrer og LMA om forskning på forbrukernes atferd. Leserne skal kunne utføre sine egne analyser enkelt. Om nødvendig, forutsetninger knyttet til målingen invarians er ikke fornøyd, og gjennomsnittlig sammenligninger av latente variabler kan ikke tolkes. Forskningen konklusjoner av gjennomsnittlig forskjeller kan ha gyldighet, fordi de styres av en sofistikert statistisk prosedyre for å sikre måling invarians. Forskere må anslå måling invarians og atferd bety sammenligninger for å sikre integritet fremtidige studier.
Selv om denne studien fokuserer på flere gruppe sammenligninger, er Sammenligningene begrenset til å undersøke latente middel forskjeller og ikke adressere gruppe forskjeller i relasjonene mellom latente variabler. En alternativ fremgangsmåte for flere gruppe sammenligninger er å bruke MGSEM flere gruppe strukturelle lignings modellering (MGSEM) og sammenligne bane koeffisienter på tvers av grupper. For å gjøre dette, er måling invarians tester nødvendig, og hierarkiet av invarians tester vil da være aktuelt for videre forskning.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Forfatterne har ingenting å avsløre.
Acknowledgments
Dataene har blitt endret fra Park og Yoo ' s studie29. Dette arbeidet ble støttet av utdanningsdepartementet i Republikken Korea og National Research Foundation of KOREA (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).
