消費者の利益を評価するための研究ツールとしてeMASSカスタマイズプログラムを適用する
September 27th, 2019
ここでは、オンライン小売のコンテキストで大量のカスタマイズに対する消費者の反応を調べるプロトコルです。このプロトコルでは、オンライン調査手順と、潜在平均解析を使用して構造方程式モデリングとグループ差異を使用してデータを分析する方法について詳しく説明します。
当社のプロトコルでは、アンケートに回答する前に参加者が一括カスタマイズを体験する必要があり、調査データを使用して消費者の回答間の関係をテストします。このプロトコルは、消費者データを構造方程式モデリングに適用することを可能にし、潜在手段分析は洗練された統計データを取得し、研究の有効性を高めるために。当社の研究は、小売りやマーケティング技術が消費者の反応に及ぼす影響を調査する研究に利益をもたらすでしょう。
構成、行列、スカラー不変性などの不変性テストをテストするのは難しいかもしれませんが、データの品質を高めるために忍耐とこの手順に従うことをお勧めします。この手順をデモンストレーションするのが、私の研究室のA年生のキム・ヒユンです。オンライン調査を使用して、オンラインアパレルショッピング体験を持つ女性消費者を募集します。
調査の目的に関する情報と回答の機密性の保証を含む招待メールを対象の参加者に送信します。カスタマイズプログラムを使用してトレンチコートを作成する方法を示す調査に参加することに同意したアンケート参加者にガイドラインを送信します。アンケートに参加することに同意した参加者が調査手続きを開始します。
彼らは既存のショッピングウェブサイトでeMassカスタマイズプログラムに接続されているリンクを受け取り、あなたが好きな服を購入するのに十分な裕福であり、重要な会議に出席するためにトレンチコートを購入しなければならないと想像するように求められます。ユニークなトレンチコートを作りたいと思うでしょう。インターネットを閲覧しながら、あなたは、大量のカスタマイズプログラムを持っている完璧なアパレルのウェブサイトに出くわします。
シナリオを受信してから 24 時間後に、トレンチ コートを終了し、調査を受ける準備ができた参加者がアンケート リンクをクリックできるように、アンケート リンクを有効にします。調査では、参加者に作成したトレンチコートのスクリーンショットと価格をアンケートの最初のページにアップロードしてもらいます。次に、参加者に、カスタマイズされた製品に対する知覚された利益と感情的な愛着、およびカスタマイズ プログラム、ロイヤルティの意図、および人口統計学的な質問に対する態度に関するオンライン アンケートを完了させます。
アンケートを完了した参加者に金銭的な報酬を提供します。すべての調査が完了したら、調査参加者のすべての回答を含む SPSS ファイルに調査データを保存し、洗浄されたデータを使用して構造方程式モデリング解析を実行します。中央値の分割を使用して、合計とファッションの革新的さの6つの項目のスコアを平均し、ファッションの革新的さの中央値スコアを計算します。
トランスフォームメニューの下で、異なる変数に再コードをクリックし、平均スコアが中央値よりも低い場合は、低ファッションの革新的なグループのために1をコードします。ファッションの革新的なグループ変数をダブルクリックして、フィールド別の分割ケースに移動します。次に、出力ファイルのディレクトリの場所を割り当てて、ファイルをファッションの革新性として保存Data_low。
ファッションの革新性をData_high。割り当てられたディレクトリに収束の有効性を確認するには、[データ ファイルの選択]をクリックして、[Data_TOTAL.sav。
研究の質問に基づいて、5つの潜在変数と17個の観測変数を含む測定モデルを開発します。潜在変数の各分散を 1 つとして設定し、クリックして推定値を計算します。次に、単一グループ確認因子分析の結果から測定モデルの適合指標を確認し、適合度指数、適合度指数の調整済み適合度、標準適合指数、タッカールイス指数、比較適合指数および近似の二乗平均誤差を確認します。
この代表的な分析では、5つの潜在変数と17個の観測変数を用いて、単一のグループ確認因子分析を行った。因子係数の重要な比はすべて有意であり、収束有効性が達成されたことを示唆した。単一グループ構造方程式モデリングの適合指数は、許容可能な適合を明らかにした。
単一グループ確認因子分析から多基確認因子分析に移行して、両方のグループの5因子測定モデルをクロス検証すると、構成不変性が達成され、因子係数の臨界比がすべて有意であることを明らかにしています。メトリック不変性を検定するために、因子係数は2つのグループで同じに制約され、別の多基確認因子分析が行われ、14.728のカイ二乗差が有意ではなく、メトリックの不変性が満たされていることを示しました。メトリック不変性モデルが受け入れられたため、スカラー不変性がテストされました。
完全なメートル/完全スカラー不変性モデルが完全なメトリック不変性モデルでネストされていたため、カイ二乗差検定が実施され、カイ二乗差11.18は有意ではなく、スカラーの不変性は満たされていることを実証しました。構成不変性、メトリック不変性、スカラー不変性が達成されたことを考えると、潜在平均分析が行われ、高い革新的なグループに対する5つの潜在変数の手段は、低ファッションの革新的なグループの変数よりも有意に高い正の値であると判断された。タスクの複雑さに対する個人の認識によっては、大量カスタマイズプログラムが難しいと思われる場合があります。
参加者がカスタマイズ プログラムに慣れるのに十分な時間を用意してください。潜在変数間の関係のグループの違いに対処するために、複数のグループ構造方程式モデリングを実行して、グループ全体の過去の係数を比較することができます。ほとんどの研究者は、グループ比較のために複数のグループ構造方程式モデリングを使用しています。
我々の研究は、社会科学分野で複数のグループ比較を行うための別の方法を提供する。
View the full transcript and gain access to thousands of scientific videos
概要
このプロトコルは、オンライン小売におけるマスカスタマイズに対する消費者反応を調査する方法を概説しています。オンライン調査の手順と、構造方程式モデリングと潜在平均分析を用いたデータ分析の詳細を示しています。
主要な研究構成要素
科学の領域
- 消費者行動
- オンライン小売
- 統計モデリング
背景
- 参加者は調査を完了する前にマスカスタマイズを体験します。
- 調査データは消費者反応間の関係をテストするために使用されます。
- このプロトコルは研究結果の妥当性を高めます。
- データ品質の向上のために不変性テストが推奨されます。
研究目的
- 小売技術に対する消費者反応を調査すること。
- データ分析に高度な統計的手法を適用すること。
- マスカスタマイズが消費者行動に与える影響に関する洞察を提供すること。
使用された方法
- アパレルショッピング経験のある女性消費者のオンライン調査募集。
- データ分析のための構造方程式モデリング。
- グループ差を評価するための潜在平均分析。
- データ品質保証のための不変性テスト。
主要な結果
- 提案された方法を用いて消費者反応を効果的に分析できます。
- このプロトコルは高度な統計的洞察を可能にします。
- 手順を正確に従うことでデータ品質が向上します。
結論
- この研究はオンライン小売における消費者行動の理解に貢献します。
- 消費者研究における方法論的厳密さの重要性を示しています。
- 将来の研究はこれらの発見を基にさらなる影響を探ることができます。
よくある質問
Executive Industry Relevance
This protocol demonstrates how rigorous statistical validation of consumer response data can inform target validation and assay development in biopharma R&D. By applying measurement invariance testing and latent mean analysis, the method supports mechanistic de-risking and predictive confidence in early discovery. The approach enables cross-functional teams to compare biological responses across subpopulations with validated quantitative outputs.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Scientific Value: Enables interrogation of therapeutic hypotheses by testing measurement invariance across biological subgroups.
- Operational Value: Supports biological de-risking through latent mean analysis that quantifies significant differences in pathway activation.
- Predictive Value: Enhances portfolio triage by identifying which target mechanisms show consistent response patterns across variant models.
Screening & Assay Development
- Scientific Value: Prepares validated biological systems for downstream workflows by confirming measurement equivalence.
- Operational Value: Addresses assay standardization and reproducibility through configural, metric, and scalar invariance testing.
- Scalability: Highlights screening readiness by ensuring quantitative outputs are comparable across experimental conditions.
Translational & Preclinical Research
- Translational Continuity: Describes how invariant measurement supports alignment with translational biomarkers across discovery and preclinical stages.
- Risk-Adjusted Decisions: Enables continuity from discovery through preclinical validation by confirming construct stability.
- Mechanistic De-risking: Focuses on predictive value when assessing target engagement across disease-relevant systems.
Pipeline & Workflow Integration
The method fits within the discovery continuum from hypothesis testing to lead identification, particularly when comparing biological responses across variant models.
- Discovery Biology: Supports hypothesis testing and pathway clarification by validating measurement models before comparing latent constructs.
- Screening: Describes assay readiness through validated measurement models that ensure reproducible quantitative outputs.
- Analytics: Highlights structural equation modeling and latent mean analysis as statistical outputs that enable comparison of biological conditions.
- Translational Research: Connects method to preclinical continuity by confirming measurement invariance, a prerequisite for valid biomarker alignment.
- Enterprise Reuse: Frames the invariance testing procedure as a reusable capability for standardizing cross-study comparisons.
Operational & Enterprise Impact
- Scientific Value: Predictive confidence, target validation, reduction of mechanistic ambiguity through validated measurement models.
- Operational Value: Standardization, reproducibility, and scalability of biological assays via invariance testing.
- Strategic Value: Better go/no-go decisions, capital efficiency, and reduced late-stage biological risk by ensuring measurement equivalence.
- Portfolio Impact: Risk-adjusted prioritization and advancement decisions based on latent mean differences with validated scales.
Implementation Considerations
- Required scientific expertise in structural equation modeling and confirmatory factor analysis.
- Instrumentation and analytical infrastructure needs for multivariate statistical software (e.g., SPSS, AMOS).
- Cross-team standardization requirements for defining latent variables and observed indicators.
- Adaptation considerations across model systems when translating invariance testing protocols.
- Practical limitations include sample size requirements for multi-group analysis and complexity of longitudinal invariance testing.
