Summary
Presentato qui è un protocollo per esaminare le risposte dei consumatori verso la personalizzazione di massa nel contesto della vendita al dettaglio online. Il protocollo descrive in dettaglio la procedura di indagine online e come analizzare i dati utilizzando la modellazione di equazioni strutturali e le differenze di gruppo utilizzando analisi di media latente.
Abstract
Poiché molti studiosi e professionisti studiano la personalizzazione e il marketing delle relazioni, è importante fornire personalizzazione come la personalizzazione di massa attraverso la tecnologia di marketing. Lo scopo di questo studio è quello di esaminare come condurre ricerche sui consumatori utilizzando un sondaggio online e l'analisi dei dati. Questo studio esamina i benefici percepiti dai consumatori durante la personalizzazione di un prodotto, nonché l'attaccamento emotivo del prodotto, gli atteggiamenti verso un programma di personalizzazione e le intenzioni di fidelizzazione nel contesto della vendita al dettaglio online. Inoltre, questo studio studia come le risposte dei consumatori siano diverse in base alle caratteristiche individuali come l'innovazione della moda. Una società di sondaggi online in Corea del Sud ha reclutato 290 acquirenti di abbigliamento femminile che hanno acquistato abbigliamento online. Per migliorare la validità esterna, questo studio ha utilizzato un sito web di vendita al dettaglio esistente con un programma di personalizzazione di massa ben consolidato. Dopo aver completato il programma di personalizzazione, i partecipanti completano il questionario online. La modellazione delle equazioni strutturali (SEM) e le analisi mediche latenti (LMA) vengono quindi eseguite per le analisi. Questo studio sottolinea l'importanza di testare l'invarianza di misurazione per i confronti medi. Prima della SEM e della LMA, questo studio segue la gerarchia dei test di invarianza (test di invarianza delle impostazioni, test di invarianza metrica e test di invarianza scalare), che non sono considerati da approcci tradizionali come ANOVA. Queste analisi statistiche forniscono l'applicabilità delle procedure di test dell'invarianza e l'LMA ai comportamenti dei consumatori. Le conclusioni delle differenze medi hanno integrità e validità perché sono guidate da una sofisticata procedura statistica per garantire l'invarianza della misurazione.
Introduction
La personalizzazione di massa si riferisce alla capacità di un rivenditore online di personalizzare prodotti, servizi e l'ambiente transazionale per i singoli clienti1. I consumatori di oggi non sono soddisfatti dei prodotti standard, e molti rivenditori lo hanno riconosciuto. Offrire un'opzione di personalizzazione di massa è un metodo per ottenere la fidelizzazione del cliente e vantaggi competitivi2. La personalizzazione di massa come tattica di marketing consente ai consumatori di creare i propri prodotti in base a particolari esigenze e quindi fornisce prodotti o servizi personalizzati3. Ad esempio, i consumatori possono non solo acquistare un paio di scarpe prodotte in serie, ma possono anche creare un nuovo e unico paio di scarpe che non sono disponibili sui normali siti web di vendita al dettaglio scegliendo il colore, il tessuto e altri componenti di design. Di conseguenza, i consumatori possono acquistare prodotti più favorevoli, e la loro soddisfazione con il prodotto personalizzato così come l'aumento di fedeltà del marchio4,5.
Con l'aumento dell'uso di Internet, il processo di personalizzazione di massa è diventato più rapido ed efficiente in termini di riduzione dei tempi di produzione e di fornire più opzioni di progettazione con gli stessi costi. Inoltre, i rivenditori possono ottenere informazioni su ciò che i loro clienti target preferiscono e quindi costruire forti relazioni con loro6,7. Come tale, molti settori (ad esempio, abbigliamento, scarpe, automobili e computer) hanno adottato programmi di personalizzazione. Sebbene la personalizzazione di massa sia avvantaggia sia i consumatori che i rivenditori, alcuni rivenditori devono affrontare sfide8. Pertanto, è necessario esaminare come i consumatori percepiscono i benefici e come questi benefici influenzano altre risposte di acquisto per il successo a lungo termine.
Basandosi sul modello di gerarchia degli effetti (HOE) dalle teorie di persuasione9, questo studio propone che i consumatori elaborino le informazioni in base alla sequenza cognizione-influenza-conazione. In particolare, questo studio esamina (dopo aver creato un prodotto su larga misura) se i benefici percepiti per i consumatori (cognizione) influenzano le intenzioni di fedeltà (conazione) attraverso l'attaccamento del prodotto e l'atteggiamento nei confronti di un programma di personalizzazione di massa (influenzare) . Sulla base della teoria della motivazione10, benefici percepiti sono divisi in benefici estrinseci e intrinseci11.
Il beneficio estrinseco riguarda il valore percepito del consumatore derivante dall'utilizzo di un prodotto12 (quindi, vicino alla qualità del prodotto11),mentre il beneficio intrinseco indica un'esperienza piacevole quando si utilizza un prodotto11. In un contesto di personalizzazione di massa, il vantaggio estrinseco è associato al prodotto creato da un consumatore e il vantaggio intrinseco è correlato all'esperienza di personalizzazione che soddisfa le esigenze edoniche ed esperienziali13,14. Ricerche precedenti hanno scoperto che i benefici percepiti dei consumatori migliorano l'attaccamento del prodotto emotivo15 e gli atteggiamenti positivi nei confronti di un programma di personalizzazione di massa16. L'attaccamento emotivo del prodotto si riferisce a un legame emotivo che i consumatori si connettono a un prodotto17, che influenza positivamente gli atteggiamenti verso il programma di personalizzazione18 e le intenzioni di fidelizzazione19. Inoltre, gli atteggiamenti verso un programma di personalizzazione influenzano positivamente le intenzioni di fidelizzazione20.
Infine, questo studio esamina in che modo una caratteristica individuale (cioè l'innovazione della moda) influenza le risposte dei consumatori in modo diverso. L'innovazione della moda si riferisce al grado in cui la tendenza innovativa di un individuo influenza l'adozione di un nuovo fashion item21. I risultati della ricerca mostrano che i consumatori che desiderano evitare la conformità (cioè i consumatori innovativi di grande moda) sono motivati ad acquisire prodotti unici, il che indica che la personalizzazione di massa può essere una tattica efficace per differenziarsi dagli altri 22. Pertanto, questo studio presuppone che un maggior numero di risposte positive sarà generato per i consumatori innovativi di grande moda.
Sulla base di precedenti revisioni della letteratura, questo studio affronta le seguenti ipotesi di ricerca. H1: I benefici percepiti (a: beneficio estrinseco, b: beneficio intrinseco) di un prodotto personalizzato di massa influenzeranno positivamente l'attaccamento emotivo del prodotto; H2: I benefici percepiti (a: beneficio estrinseco, b: beneficio intrinseco) di un prodotto personalizzato di massa influenzeranno positivamente gli atteggiamenti verso un programma di personalizzazione di massa; H3: L'attaccamento emotivo del prodotto influenzerà positivamente gli atteggiamenti verso un programma di personalizzazione di massa; H4: L'attaccamento emotivo del prodotto influenzerà positivamente le intenzioni di fidelizzazione; H5: L'atteggiamento verso un programma di personalizzazione di massa influenzerà positivamente le intenzioni di fidelizzazione; e H6: Rispetto all'innovazione della bassa moda, gli innovatori dell'alta moda avranno risposte più positive a (a) benefici percepiti, (b) attaccamento del prodotto emotivo, (c) atteggiamenti e (d) intenzioni comportamentali.
Per migliorare la validità esterna, questo studio utilizza un programma di personalizzazione di massa esistente. Potenziali partecipanti in Corea del Sud vengono reclutati per questo studio e sono invitati a creare i propri trench utilizzando un programma come se avessero effettivamente acquistato il prodotto. Per esplorare le risposte dei partecipanti in base alle loro esperienze di personalizzazione, questo studio utilizza un sondaggio online. I partecipanti possono accedere al questionario subito dopo aver utilizzato il programma di personalizzazione online. Dopo aver raccolto i dati, lo studio utilizza SEM di gruppo singolo per studiare gli effetti dei benefici per i consumatori sull'attaccamento del prodotto, sull'atteggiamento e sulle intenzioni di fidelizzazione. Per esaminare i ruoli moderatori dell'innovazione della moda, lo studio utilizza LMA.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
Questa ricerca è stata esentata dall'IRB Review presso l'Ewha Womans University e gli è stato assegnato il numero di protocollo #143-18.
1. Assunzione dei partecipanti
- Preparatevi a condurre un sondaggio online.
NOT: Un sondaggio online è stato condotto utilizzando una società di sondaggi in Corea del Sud. La società di ricerca ha il più grande pannello di consumatori con alti tassi di risposta in Corea. Le distribuzioni di età e genere nel pannello riflettono lo stato della popolazione coreana. Il pannello dei consumatori ha un alto grado di affidabilità attraverso la verifica di nomi reali. Dal momento che la società di ricerca gestisce il pannello continuamente con vari metodi innovativi, la fedeltà del pannello verso la società di ricerca è alta; pertanto, i risultati dell'indagine ottenuti dall'azienda sono noti per essere altamente affidabili. - Recluta consumatori di sesso femminile che hanno esperienza di shopping online per l'abbigliamento.
NOT: I consumatori di sesso femminile in Corea spendono un'alta percentuale di reddito per lo shopping di abbigliamento, e i comportamenti di shopping si verificano per lo più online23. Pertanto, la scelta di questo gruppo come partecipanti per questo studio è adatta. - Inviare un'e-mail di invito ai partecipanti che includa informazioni riguardanti lo scopo dello studio e la garanzia della riservatezza delle loro risposte.
- Inviare linee guida a coloro che accettano di partecipare al sondaggio mostrando come creare trench utilizzando il programma di personalizzazione (vedere Figura 1).
NOT: Per evitare potenziali situazioni in cui i partecipanti possono incontrare difficoltà nell'utilizzo del programma di personalizzazione, un moderatore della società di ricerca ha inviato le linee guida. Inoltre, il moderatore ha chiamato i partecipanti e ha spiegato la procedura di personalizzazione mentre i partecipanti hanno esaminato le linee guida. - Chiedere ai partecipanti di catturare uno screenshot del trench creato e fornire un prezzo per il cappotto per garantire che effettivamente creare un trench nel programma di personalizzazione.
- Inviare un collegamento collegato al programma di personalizzazione di massa elettronica in un sito Web di shopping esistente quando i partecipanti comprendono la procedura.
- Fornire il seguente scenario ai partecipanti: "Si prega di immaginare di essere abbastanza benestante per acquistare abiti simpatici e dover acquistare un trench per partecipare a una riunione importante. Si desidera creare un trench unico. Durante la navigazione in Internet, ci si imbatte nel sito web di abbigliamento perfetto che ha un programma di personalizzazione di massa".
NOT: Questo passaggio è necessario per aumentare i livelli di coinvolgimento e controllare il tipo di prodotto e la percezione da parte dei consumatori del prezzo del prodotto. - Consentire ai partecipanti 24 h per creare un trench dopo aver letto lo scenario.
NOT: I partecipanti sono liberi di creare un trench scegliendo uno stile generale preferito, colletto, lunghezze del cappotto, lunghezza della manica, tasche, tessuto e fodera nel caso in cui effettivamente lo acquistano. Se hanno problemi a creare un cappotto nel programma di personalizzazione, sono autorizzati a chiamare e chiedere al moderatore in qualsiasi momento durante il periodo di 24 h. - Attivare il link di rilevamento dopo 24 h in modo che i partecipanti che sono pronti a prendere il sondaggio (cioè coloro che hanno finito di catturare lo screenshot del trench che hanno creato) possono fare clic sul link del sondaggio.
Figura 1: Indicazioni per l'utilizzo del programma di personalizzazione di e-mass. I partecipanti al sondaggio online leggono le indicazioni su come creare i trench utilizzando il programma di personalizzazione e seguono i passaggi da 1 a 8. Fare clic qui per visualizzare una versione più grande di questa figura.
2. Procedura di indagine
- Chiedere ai partecipanti di caricare lo screenshot e il prezzo del trench che hanno creato nella prima pagina del sondaggio (vedere figura 2).
NOT: Solo i partecipanti che caricano lo screenshot possono accedere al questionario. - Chiedere ai partecipanti di compilare il questionario online sui benefici percepiti, l'attaccamento emotivo al prodotto personalizzato, l'atteggiamento nei confronti del programma di personalizzazione, le intenzioni di fidelizzazione e le domande demografiche (vedere la tabella 1).
- Dare una ricompensa a coloro che completano il sondaggio.
NOT: Qui, i partecipanti hanno ricevuto un premio di 10.000 dollari (circa 10 dollari USA) per la partecipazione. I partecipanti che abbandonano il sondaggio o non riescono a fornire lo screenshot e il prezzo ricevuti 1.000 USD (circa 1 dollaro).
Figura 2: Esempi di trench creati utilizzando il programma di personalizzazione e-mass. I partecipanti hanno creato trench selezionando un collare, una lunghezza, un tessuto, ecc., seguiti dal caricamento di uno screenshot della creazione del trench. Fare clic qui per visualizzare una versione più grande di questa figura.
| Beneficio estrinseco (Franke et al., 2009) |
| rispetto al prodotto standard, il prodotto personalizzato sarebbe ___________. |
| 1. Meglio soddisfare le mie esigenze |
| 2. Meglio soddisfare le mie preferenze personali |
| 3. Più probabile che sia la soluzione migliore per me |
| Beneficio intrinseco (Franke e Schreier, 2010) |
| 1. Ho apprezzato molto questa attività di progettazione |
| 2. Ho pensato che progettare il prodotto fosse abbastanza piacevole |
| 3. Progettare questo prodotto è stato molto interessante |
| Accessorio emotivo del prodotto (Thomson et al., 2005) |
| Rispetto al prodotto standard di questo marchio, il mio sentimento verso il suo prodotto personalizzato può essere caratterizzato da ___________. |
| 1. Affetto |
| 2. Collegamento |
| 3. Passione |
| 4. La cattura |
| Atteggiamento verso un programma di personalizzazione di massa (Li et al., 2001) |
| Il programma di personalizzazione di massa in questo sito web era ___________. |
| 1. Non attraente e |
| 2. Sgradevole e piacevole |
| 3. Poco attraente e attraente |
| 4. Dissimpatibile e simpatico |
| Intenzioni di fedeltà (Kwon e Lennon, 2009) |
| 1. Acquisterei un prodotto personalizzato in questo programma di personalizzazione nel prossimo futuro |
| 2. Consiglierei questo programma di personalizzazione ad amici o parenti |
| 3. Vorrei tornare a questo sito e personalizzare un prodotto nel prossimo futuro |
| Coinvolgimento del prodotto (eichkowsky, 1985) |
| Per me, l'abbigliamento è ___________. |
| 1. Non importante e importante |
| 2. Noioso e interessante |
| 3. Non attraente e attraente |
| 4. Non è necessario e |
| 5. Unexciting e eccitante6. Inutile e prezioso |
| Innovazione della moda (Park et al., 2007) |
| 1. In generale, sono l'ultimo nella mia cerchia di amici a conoscere i nomi delle ultime nuove mode (R) |
| 2. In generale, sono tra gli ultimi nella mia cerchia di amici ad acquistare un nuovo capo di moda quando appare (R) |
| 3. Rispetto ai miei amici, possiedo nuovi articoli di moda. |
| 4. Conosco i nomi dei nuovi stilisti prima che lo facciano gli altri. |
| 5. Se avessi sentito che un nuovo articolo di moda era disponibile nel negozio, sarei abbastanza interessato a comprarlo. |
| 6. Comprerò un nuovo articolo di moda anche se non l'ho mai visto prima. |
| (R) Codice inverso |
Tabella 1: Scala di misurazione. Questa tabella è stata utilizzata in precedenza29.
3. Preparazione dei dati
- Salvare i dati del sondaggio in un file SPSS come "Data_TOTAL.sav" (vedere la figura 3), che contiene tutte le risposte dei partecipanti al sondaggio. Eliminare i casi che includono valori mancanti. Utilizzare i dati puliti per eseguire un'analisi SEM.
- Separare i dati totali in due file di dati: gruppi innovativi di alta e bassa moda. Utilizzare una divisione mediana. Sommare e calcolare la media dei punteggi di sei articoli di innovazione della moda, e calcolare il punteggio mediano dell'innovazione della moda (med 4,17).
NOT: La divisione mediana è spesso utilizzata nella ricerca di psicologia e marketing e l'utilizzo di una divisione mediana per una variabile continua per esaminare le differenze di gruppo è valido24. - Fai clic su "Ricodifica in variabili diverse" nel menu "Trasforma". Creare una nuova variabile, "fashion innovative group (FIG)", codificando "1 (gruppo innovativo a bassa moda)" se il punteggio medio è inferiore alla mediana (ad esempio, mediana 4,17), o codificando "2 (gruppo innovativo di alta moda)" se è superiore alla mediana (vedi Figura 4 ).
- Fare clic su "Dividi in file" nel menu "Dati", fare doppio clic sulla variabile "fashion innovative group (FIG)" per spostarla nel campo "Split Cases by" e assegnare il percorso "Output File Directory" per salvare i file (vedere La Figura 5).
- Salvare "1.sav" e "2.sav" nella directory assegnata. Modificare i nomi dei file in "Data_low fashion innovativeness.sav" e "Data_high fashion innovativeness.sav" per utilizzare entrambi per LMA.
Figura 3: Data_TOTAL. I dati includono le risposte di tutti i partecipanti (n - 290) utilizzate per l'analisi SEM. Fare clic qui per visualizzare una versione più grande di questa figura.
Figura 4: Creazione della nuova variabile "fashion innovative group (FIG)". La nuova variabile (FIG) è stata realizzata codificando "1 (gruppo innovativo a bassa moda)" e "2 (gruppo high innovative)". Fare clic qui per visualizzare una versione più grande di questa figura.
Figura 5: suddivisione del set di dati in due file di dati. Il file di dati totale, "Data_TOTAL", è stato suddiviso in file "Data_low fashion innovativeness.sav" e "Data_high fashion innovativeness.sav" per un successivo utilizzo in una LMA. Fare clic qui per visualizzare una versione più grande di questa figura.
4. Esecuzione di un confermo dei fattori confermati (CFA)
-
Condurre un singolo gruppo CFA con il modello di misurazione a cinque fattori per confermare la validità convergente. Fare clic su "Seleziona file di dati Data_TOTAL.sav". Sviluppare il modello di misurazione sulla base delle domande di ricerca.
- Il modello di misurazione comprende cinque variabili latenti (ad esempio, beneficio estrinseco, beneficio intrinseco, attaccamento emotivo del prodotto, atteggiamenti verso un programma di personalizzazione di massa e intenzioni di fidelizzazione) e 17 variabili osservate (tre variabili osservate per beneficio estrinseco, tre per beneficio intrinseco, quattro per l'attaccamento del prodotto emotivo, quattro per gli atteggiamenti verso un programma di personalizzazione di massa e tre per le intenzioni di fidelizzazione). Impostare le varianze delle variabili latenti come "1" (vedere la figura 6 e la figura 7). Fare clic su "Calcola stime".
- Controllare gli indici di adattamento del modello di misurazione dai risultati del singolo gruppo CFA: indice di bontà di adattamento (GFI), indice di bontà di adattamento (AGFI), indice di adattamento normezzato (NFI), indice Tucker-Lewis (TLI), indice di adattamento comparativo (CFI) e errore quadrato medio radice approssimazione (RMSEA).
Figura 6: Specifica del modello per l'analisi dei fattori di conferma. Fare clic qui per visualizzare una versione più grande di questa figura.
Figura 7: Modello di misurazione per l'analisi dei fattori confermativi. Il modello di misurazione per CFA è stato creato utilizzando il programma AMOS. La varianza delle variabili latenti è stata impostata come "1". Fare clic qui per visualizzare una versione più grande di questa figura.
5. Esecuzione di un SEM
- Per testare le relazioni tra le variabili latenti, fare clic su "Seleziona file di dati Data_TOTAL.sav". Sviluppare il SEM sulla base delle domande di ricerca, comprese cinque variabili latenti e 17 variabili osservate.
- Disegnate frecce da "Extrinsic_V" e "Intrinsic_V" a "EP_Attachment" e "Attitude_MP", nonché da "EP_Attachment" e "Attitude_MP" a "Loyalty". Aggiungere tre variabili non osservate, ovvero "z1" come predittore di "EP_Attatchment", "z2" come predittore di "Attitude_MP" e "z3" come predittore di "Lealtà" (vedere Figura 8, Figura 9). Fare clic su "Calcola stime". Controllare le "Stime" e gli indici di adattamento del modello.
Figura 8: Specifica del modello per la modellazione di equazioni strutturali. Fare clic qui per visualizzare una versione più grande di questa figura.
Figura 9: Analisi della modellazione delle equazioni strutturali. Fare clic qui per visualizzare una versione più grande di questa figura.
6. Condurre test di invarianza per LMA
- Per confrontare i gruppi innovativi di alta e bassa moda, condurre un LMA basato sull'analisi dei fattori confermativi multigruppo (MGCFA). Prima della LMA, verificare l'invarianza configurazionele, l'invarianza metrica e l'invarianza scalare tra i due gruppi25.
- Creazione del modello di misurazione multigruppo: creare il modello di misurazione (cioè il modello per MGCFA) con due gruppi denominati "alto" e "basso" in "Gestisci gruppi". Selezionare i file di dati per i gruppi nel modo seguente: "Data_low fashion innovativeness.sav" per il gruppo innovativo low fashion e "Data_high fashion innovativeness.sav" per il gruppo innovativo di alta moda (vedi Figura 10).
Figura 10: Selezione dei file di dati per i gruppi. È stato creato il modello di misurazione per MGCFA e sono stati caricati due file di dati ("Data_low fashion innovativeness.sav" e "Data_high fashion innovativeness.sav"). Fare clic qui per visualizzare una versione più grande di questa figura.
-
Test dell'invarianza di volume
NOTA: se la struttura dei modelli di misura in entrambi i gruppi ha la stessa forma (ad esempio, le stesse dimensioni e gli stessi modelli di valori fissi e non fissi), l'invarianza configurale è soddisfatta (vedere la figura 11). Se l'adattamento del modello di misurazione è soddisfacente, procedere al passaggio successivo per il controllo dell'invarianza metrica26.- Eseguire il CFA con il modello di misurazione a cinque fattori proposto in precedenza per ciascun gruppo. Fare clic su "Calcola stime". Controllare gli indici "Stime" e di adattamento di entrambi i modelli. Se l'adattamento di entrambi i modelli è soddisfacente e i coefficienti dei fattori sono significativi, procedere al passaggio successivo.
- Condurre MGCFA con il modello di misurazione a cinque fattori come modello di base. Fissare "1" per il coefficiente del fattore da ogni variabile latente alla prima variabile osservata e liberare gli altri coefficienti del fattore. Fare clic su "Calcola stime".
- Controllare le "Stime" dei due gruppi e adattare gli indici del modello. Se l'adattamento del modello è soddisfacente e i coefficienti dei fattori sono significativi, l'invarianza di impostazioni è soddisfatta. Procedere quindi al passaggio successivo che prevede il test di invarianza metrica.
Figura 11: Dimensioni uguali e forme dei modelli di misurazione in due gruppi. (A) Modello per il gruppo innovativo di alta moda e (B) per il gruppo innovativo della moda. Fare clic qui per visualizzare una versione più grande di questa figura.
-
Test dell'invarianza metrica
NOTA: il test dell'invarianza metrica valuta se i coefficienti dei fattori che collegano le variabili latenti alle variabili osservate sono uguali tra i gruppi.- Per il test dell'invarianza metrica, correggere i coefficienti dei fattori tra i gruppi. Immettete lo stesso nome per gli stessi coefficienti tra i gruppi (ad es. "a" per Extrinsic_V E2, "j" per EP_Attachment EA4, vedere la figura 12). Fare clic su "Calcola stime". Controllare le "Stime" dei due gruppi e adattare gli indici del modello.
- Eseguire un test di differenza chi-quadrato confrontando il modello di invarianza metrica completa (ad esempio, il modello con coefficienti a fattore fissi tra gruppi) con il modello di invarianza configurabile (ad esempio, il modello con coefficienti di fattori liberi tra gruppi). Se la differenza del chi quadrato non è significativa, l'invarianza metrica viene soddisfatta. Procedere quindi al passaggio successivo che prevede il test di invarianza scalare25,26,27.
Figura 12: Fissaggio dei coefficienti dei fattori tra i gruppi. Inserendo lo stesso nome per gli stessi coefficienti tra i gruppi, i coefficienti dei fattori sono stati limitati. Fare clic qui per visualizzare una versione più grande di questa figura.
-
Test dell'invarianza scalare
NOTA: l'invarianza scalare significa che 1) gli stessi valori nel costrutto latente sono associati agli stessi valori nella variabile osservata e 2) le differenze nei mezzi delle variabili osservate derivano dalle differenze medie delle variabili latenti. Per verificare l'invarianza scalare, limitare le intercettazioni delle variabili osservate in modo che siano uguali tra i gruppi28.- Fare clic su "Proprietà analisi" nel menu "Visualizza". Fare clic sulla scheda "Stima" e selezionare "Stima significa e intercetta". Fare clic con il pulsante destro del mouse su ogni variabile osservata e scegliere "Proprietà oggetto". Selezionare la scheda "Parametri" e immettere i nomi dei parametri, ad esempio "int_e1" e "int_ea1" nelle caselle di testo dell'intercettazione (vedere la figura 13).
- Condurre un test di differenza del chi quadrato confrontando il modello di invarianza metrica/scalare completa (cioè il modello con intercettazioni fisse di variabili osservate e coefficienti a fattori fissi tra i gruppi) con il modello di invarianza metrica completa (ad esempio, il modello con coefficienti a fattore fissi tra i gruppi). Se la differenza del chi quadrato non è significativa, viene soddisfatta l'invarianza scalare completa/completa.
NOT: In questo caso, viene utilizzata una gerarchia specifica (test di invarianza configurazionele, test di invarianza metrica, test di invarianza scalare). Una volta soddisfatto ogni test di invarianza, condurre l'LMA utilizzando il modello selezionato alla fine (ad esempio, il modello di invarianza scalare completa/completo).
Figura 13: Inserimento dei nomi dei parametri nella casella di testo dell'intercettazione.
Fare clic qui per visualizzare una versione più grande di questa figura.
7. Esecuzione di un LMA
- Condurre un LMA utilizzando il modello di invarianza metrica completa scalare/completo27,28. Per confrontare i mezzi delle variabili latenti, correggere i mezzi delle variabili latenti in un gruppo e lasciarle libere nell'altro gruppo.
- Stimare le differenze medie tra i gruppi fissando uno dei mezzi per azzerare per un gruppo di riferimento, quindi stimando i valori medi per l'altro gruppo. Così, fissare i mezzi di tutte le variabili latenti nel gruppo innovativo low fashion a zero. È importante garantire che i mezzi di variabili latenti nel gruppo innovativo di alta moda siano gratuiti e che le loro variazioni in entrambi i gruppi siano gratuite (vedere la figura 14).
- Fare clic su "Calcola stime". Controllare le "Stime" dei due gruppi e adattare gli indici del modello.
- Fare clic su "Visualizza testo" e controllare i mezzi delle variabili latenti nel gruppo innovativo di alta moda in "Stime" (vedere Figura 15).
Figura 14: Impostazione dei mezzi e delle varianze variabili variabili latenti. (A) Gruppo innovativo di alta moda e(B)gruppo innovativo a bassa moda. Fare clic qui per visualizzare una versione più grande di questa figura.
Figura 15: Output per l'analisi dei mezzi latenti. Fare clic qui per visualizzare una versione più grande di questa figura.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Le statistiche di frequenza offrivano caratteristiche del campione. Un totale di 290 donne consumatori online hanno completato il processo di acquisto utilizzando il programma di personalizzazione e-mass. Le caratteristiche demografiche del campione sono state distribuite in modo uniforme. Per fasce d'età, il 23,1% aveva vent'anni, il 28,3% sui trent'anni, il 26,6% sui quarantenni e il 22,1% sui cinquant'anni. Per stato civile, il 58,3% si è sposato, mentre il 40% era single. Per occupazione, il 45,2% erano impiegati, il 22,8% erano casalinghe, il 10,3% erano professionisti, il 9,3% studenti e il 5,5% nel settore dei servizi(tabella 2).
Un singolo gruppo CFA è stato condotto con cinque variabili latenti ("Extrinsic_V", "Intrinsic_V", "EP_Attachment", "Attitude_MP" e "Loyalty") e 17 variabili osservate. È stato valutato l'adattamento del modello di misurazione a cinque fattori. Anche se la statistica del chi quadrato è stata significativa (chi-quadrato - 179,63, df - 109, p - 0,000), la statistica del chi quadrato è sensibile alle grandi dimensioni del campione (n - 209). I valori di altri indici di adattamento indicavano un buon adattamento del modello complessivo (GFI - 0,93, AGFI - 0,91, NFI - 0,97, TLI - 0,98, CFI - 0,99 e RMSEA - 0,05). Tutti i rapporti critici (CR) dei coefficienti dei fattori sono stati significativi (p < 0,001), il che implica che è stata raggiunta la validità convergente (Figura 16).
| fascia d'età | ||
| Frequenza | percento | |
| Anni '20 | 67 | 23.1 |
| Anni '30 | 82 | 28.3 |
| Anni '40 | 77 | 26.6 |
| Cinquanta anni | 64 | 22.1 |
| occupazione | ||
| Frequenza | percento | |
| Studenti | 27 | 9.3 |
| impiegati | 131 | 45.2 |
| produzione | 1 | 0.3 |
| servizio | 16 | 5.5 |
| Professionisti | 30 | 10.3 |
| Azienda | 12 | 4.1 |
| Casalinghe | 66 | 22.8 |
| Altri | 7 | 2.4 |
| totale | 290 | 100.0 |
| stato civile | ||
| Frequenza | percento | |
| Singola | 116 | 40.0 |
| sposato | 169 | 58.3 |
| Altri | 5 | 1.7 |
| totale | 290 | 100.0 |
Tabella 2: Caratteristiche del campione.
Figura 16: Output per l'analisi dei fattori confermativi. Fare clic qui per visualizzare una versione più grande di questa figura.
È stato condotto un singolo gruppo SEM. Gli indici di adattamento del modello di misurazione hanno rivelato un adattamento accettabile (GFI - 0,93, AGFI - 0,91, NFI - 0,97, TLI - 0,98, CFI - 0,99 e RMSEA - 0,05). I valori CR dei coefficienti di percorso sono stati significativi e hanno rivelato i seguenti effetti positivi di "Extrinsic_V" (beta : 0,431, CR - 6,661, p < 0.001) e "Intrinsic_V" (beta : 0,339, CR - 6.848, p < 0.001) su "EP_Attachment"; (2) effetti positivi di "Extrinsic_V" (beta : 0,159, CR - 2,581, p < 0,05) e "Intrinsic_V" (beta : 0,378, CR - 6.688, p < 0.001) su "Attitude_MP"; (3) effetti positivi di "EP_Attachment" su "Attitude_MP" (beta : 0,328, CR - 4,905, p < 0.001); e (4) effetti positivi di "Attitude_MP" su "Loyalty" (beta : 0,846, CR - 6,932, p < 0.001). L'effetto di "EP_Attachment" su "Loyalty" non è stato significativo (beta : 0,078, CR - 0,696, p - 0,486; vedere tabella 3).
| Coefficiente di percorso | valutazione | Stima standardizzatae | S.E. | C.r. | abbreviazione di "pence" o "penny" |
| "Estrinseca_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" --> "Lealtà" | 0.078 | 0.062 | 0.113 | 0.696 | 0.486 |
| "Attitude_MP" --> "Lealtà" | 0.846 | 0.645 | 0.122 | 6.932 | *** |
| valore p < 0,001 | |||||
Tabella 3: Risultati della modellazione di equazioni strutturali a gruppo singolo. Questa tabella è stata modificata da una pubblicazione precedente29.
Utilizzando una divisione mediana (med 4,17), i dati sono stati divisi in due gruppi: gruppo innovativo di bassa moda e gruppo innovativo di alta moda. È stato condotto un test te ha rivelato differenze medie significative nell'innovazione della moda tra gruppi innovativi di alta e bassa moda (Malto 5,03 > Mbasso 3,50; AltoSD : 0,72, SDbasso - 0,68; Nalto: 141, Nbasso e 149; t : 18,53, df , 288, p < 0,001).
Prima di confrontare i mezzi latenti tra gruppi innovativi di alta e bassa moda, è stata eseguita una gerarchia di test di invarianza. In primo luogo, gli CFA con il modello di misurazione a cinque fattori proposto sono stati condotti separatamente per i gruppi innovativi e di alta moda della bassa moda. I risultati hanno rivelato un eccellente modello adatto per il gruppo innovativo di bassa moda (NFI - 0,96, TLI - 0,99, CFI - 0,99, e RMSEA - 0,04) e un gruppo innovativo di alta moda (NFI - 0,93, TLI - 0,97, CFI - 0,97, e RMSEA - 0,07). Tutti i coefficienti fattoriali erano significativi, il che implica che il modello a cinque fattori è accettato per entrambi i gruppi.
Il passo successivo è stato passare dal singolo gruppo CFA alla MGCFA per convalidare incrociatamente il modello di misurazione a cinque fattori per entrambi i gruppi. Il modello 1 (modello di invarianza configurale) è stato testato per confermare se la struttura proposta sarebbe stata la stessa tra gruppi innovativi di bassa e alta moda. I risultati hanno rilevato che l'adattamento del modello era soddisfacente. I valori di altri indici di adattamento indicavano il buon adattamento del modello generale (NFI - 0,94, TLI - 0,98, CFI - 0,98 e RMSEA - 0,04; vedi tabella 4). Così, invarianza di impostazioni è stato raggiunto. Tutti i CR dei coefficienti fattoriali sono stati significativi (p < 0,001). Il modello 1 è stato considerato un modello di base.
Per testare l'invarianza metrica, i coefficienti dei fattori sono stati vincolati a essere gli stessi tra due gruppi ed è stato eseguito un altro MGCFA (Modello 2). Dal momento che il modello 2 è stato nidificato nel modello 1, è stato condotto un test di differenza chi-quadrato. Il risultato ha rivelato che una differenza del chi quadrato di 14,728 (df n. 12) non era significativa (p - 0,257) ed è stata soddisfatta l'invarianza metrica (vedere la tabella 4). Un esempio del test della differenza chi-quadrato è il seguente: chi-quadrato (modello 2) - chi-quadrato (modello 1) - 323.492 - 308.764 - 14.728; differenza df: df (modello 3) - df (modello 2) - 230-218 - 12; chi-quadrato (df : 12) : 14,728, valore di p - 0,256649.
Poiché il modello di invarianza metrica (Modello 2) è stato accettato, è stata testata l'invarianza scalare. Le intercettazioni di cinque variabili latenti erano vincolate per essere uguali tra due gruppi e l'ultima MGCFA è stata eseguita (Modello 3). Poiché il modello di invarianza scalare completa/completo (modello 3) è stato nidificato nel modello 2, è stato condotto un test di differenza del chi quadrato. I risultati hanno rivelato che una differenza chi-quadrato di 11,18 (df n. 12) non era significativa (p - 0,514) e l'invarianza scalare era soddisfatta (vedere la tabella 4). Un esempio del test della differenza chi-quadrato è il seguente: chi-quadrato (modello 3) - chi-quadrato (modello 2) - 334.672 – 323.492 - 11,18; differenza df: df (modello 3) - df (modello 2) - 242-230 - 12; chi-quadrato (df : 12) : 11,18, valore di p - 0,513559.
| Chi quadrato | Df | RMSEA | Ifn | Tli | Cfi | |
| Invarianza configural (modello di base): modello 1 | 308.764 | 218 | 0.038 | 0.94 | 0.98 | 0.98 |
| Invarianza metrica completa: Modello 2 | 323.492 | 230 | 0.038 | 0.94 | 0.98 | 0.98 |
| Metrica completa/invarianza scalare completa: Modello 3 | 334.672 | 242 | 0.036 | 0.94 | 0.98 | 0.98 |
| Differenza chi quadrato | differenza df | abbreviazione di "pence" o "penny" | decisione | |||
| Test dell'invarianza metrica completa (modello 1 e modello 2) | 14.728 | 12 | 0.256649 | accettare | ||
| Test dell'invarianza scalare completa (modello 1 e modello 2) | 11.18 | 12 | 0.513559 | accettare | ||
Tabella 4: Inserire gli indici per i test di invarianza per LMA. Questa tabella è stata modificata da una pubblicazione precedente29.
Dato che l'invarianza di impostazioni, l'invarianza metrica e l'invarianza scalare sono state raggiunte, è stata eseguita la LMA. Il gruppo innovativo della bassa moda è stato utilizzato come gruppo di riferimento, con i suoi mezzi di variabili latenti fissati a zero, mentre sono stati stimati i valori medi latenti per il gruppo innovativo di alta moda. I risultati della LMA hanno rivelato che i mezzi di cinque variabili latenti ("Extrinsic_V", "Intrinsic_V", "EP_Attachment", "Attitude_MP" e "Loyalty") per i gruppi innovativi di alta moda erano valori positivi ed erano significativamente più alti di quelli per i gruppi low gruppi innovativi di moda (cfr. tabella 5).
| costruire | basso | alto | SE (SE) | Cr |
| "Estrinsec_V" | 0 | 0.590 | 0.134 | 4.393*** |
| "Intrinsic_V" | 0 | 0.690 | 0.141 | 4.878*** |
| "Allegato_EP" | 0 | 0.527 | 0.134 | 3.926*** |
| "Atteggiamento_MP" | 0 | 0.521 | 0.127 | 4.084*** |
| "Lealtà" | 0 | 0.980 | 0.169 | 5.796*** |
| valore p<0.001 | ||||
Tabella 5: Risultati di LMA. Questa tabella è stata modificata da una pubblicazione precedente29.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Implicazioni dei risultati
I risultati di questo studio rivelano che i benefici estrinseci e intrinseci dei consumatori derivanti dalla creazione di un prodotto di massa personalizzato aiutano la crescita dell'attaccamento emotivo al prodotto, la creazione di atteggiamenti positivi verso il programma di personalizzazione e maggiori intenzioni di fidelizzazione. I risultati sugli effetti moderatori dell'innovazione moda rivelano che se confrontati con i consumatori di un gruppo di innovazione a bassa moda, quelli di un gruppo di innovazione di alta moda percepiscono maggiori benefici, hanno maggiori accessori, formano atteggiamenti verso il programma, e hanno maggiori intenzioni di fedeltà. Questi risultati forniscono informazioni teoriche e pratiche a supporto del modello HOE.
Implicazioni della metodologia di indagine online
Questo studio ha condotto un sondaggio online utilizzando una società di sondaggi in Corea del Sud. La società di ricerca ha il più grande pannello di consumatori con alti tassi di risposta in Corea. Le distribuzioni di età e genere nel pannello riflettono lo stato della popolazione coreana. Il pannello dei consumatori ha un alto grado di affidabilità attraverso la verifica di nomi reali. Dal momento che la società di ricerca gestisce il pannello continuamente con vari metodi innovativi, la fedeltà del pannello verso la società di ricerca è alta; pertanto, i risultati dell'indagine ottenuti dall'azienda sono considerati altamente affidabili.
L'uso di un programma di personalizzazione di massa esistente ha vantaggi rispetto agli studi sperimentali tradizionali. I partecipanti possono provare un programma di personalizzazione di massa in un ambiente naturale e realistico, piuttosto che uno che viene intenzionalmente manipolato per lo studio. Anche se i partecipanti capiscono che stanno partecipando a uno studio, non utilizzano il programma di personalizzazione di massa sotto indagine. Gli effetti di reattività possono essere rimossi e le loro risposte verso il prodotto personalizzato in massa sono più simili ai loro comportamenti effettivi durante la creazione di un prodotto personalizzato. Pertanto, questo studio possiede il vantaggio della ricerca sul campo basata sul naturalismo30, mantenendo così un alto grado di validità esterna. Inoltre, le risposte dei partecipanti sono simili a quelle della popolazione da cui sono stati selezionati. Questo studio ottiene la generalizzabilità dei risultati per questa specifica condizione (cioè gli acquirenti di abbigliamento online femminili in Corea del Sud).
Questo studio fornisce uno scenario ai partecipanti che desiderano creare un prodotto in un programma di personalizzazione. Una critica di studi basati su scenari è la loro validità esterna. I partecipanti hanno maggiori probabilità di essere coinvolti in valutazioni cognitive rispetto a quelle emotive a causa della natura artificiale dello scenario31. Tuttavia, i risultati rivelano che i consumatori che percepiscono i benefici dal prodotto personalizzato mostrano un maggiore attaccamento emotivo al prodotto, indicando che possono valutare gli aspetti cognitivi ed emotivi dell'esperienza. Questo studio simula un'esperienza di acquisto reale utilizzando lo scenario descritto. Di conseguenza, i partecipanti mostrano un maggiore grado di coinvolgimento nella situazione degli acquisti, migliorando ulteriormente la validità esterna.
Implicazioni di SEM e LMA
Questo studio applica SEM per testare le relazioni tra le variabili latenti, e utilizza la LMA con MGCFA per confrontare i mezzi di variabili latenti tra due gruppi di consumatori (gruppi innovativi di bassa e alta moda). L'LMA richiede la gerarchia dei test di invarianza, che segue i passaggi critici di un (1) test di invarianza configurale, (2) test di invarianza metrica e (3) test di invarianza scalare. È stato sottolineato che la ricerca di alta qualità dovrebbe applicare test di invarianza prima di testare SEM e LMA, perché i test di invarianza possono correggere e valutare gli errori di misurazione all'interno di ogni variabile latente, stimare la validità del costrutto e valutare la misurazione invarianza tra i gruppi13. I risultati dei confronti medi possono differire in base alle analisi dei dati applicate, come ANOVA e MGCFA. Se l'invarianza di misurazione non è in tenuta, i risultati statistici delle differenze medi da ANOVA e MGCFA diventano diversi e non validi32.
Questo studio sottolinea l'importanza di testare l'invarianza di misurazione per i confronti medi e fornisce informazioni sull'applicabilità delle procedure di test di invarianza e l'LMA in merito alla ricerca sui comportamenti dei consumatori. I lettori dovrebbero essere in grado di eseguire facilmente le proprie analisi. Se necessario, i presupposti relativi all'invarianza di misurazione non vengono soddisfatti e il confronto medio delle variabili latenti non può essere interpretato. Le conclusioni della ricerca sulle differenze medi possono avere validità, perché sono guidate da una sofisticata procedura statistica per garantire l'invarianza della misurazione. I ricercatori devono stimare l'invarianza e condurre le differenze significano confronti per garantire l'integrità degli studi futuri.
Anche se questo studio si concentra su più confronti di gruppo, i confronti sono limitati ad esaminare le differenze di media latente e non affrontano le differenze di gruppo nelle relazioni tra le variabili latenti. Un approccio alternativo per confronti di più gruppi consiste nell'applicare MGSEM la modellazione di equazioni strutturali a più gruppi MGSEM (MGSEM) e confrontare i coefficienti di percorso tra i gruppi. A tale scopo, sono necessari test di invarianza di misurazione e la gerarchia dei test di invarianza sarà quindi applicabile per ulteriori ricerche.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Gli autori non hanno nulla da rivelare.
Acknowledgments
I dati sono stati modificati dallo studio29di Park e Yoo. Questo lavoro è stato sostenuto dal Ministero dell'Istruzione della Repubblica di Corea e dalla Fondazione Nazionale di Ricerca di 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).
