Een eMASS aanpassingsprogramma toepassen als onderzoeksinstrument om de voordelen van de consument te evalueren

Summary

Hier is een protocol voor het onderzoeken van consumenten reacties op massale aanpassing in de context van online detailhandel. Het protocol Details de online enquête-procedure en hoe u gegevens analyseren met behulp van structurele vergelijking modellering en groeps verschillen met behulp van latente gemiddelde analyses.

Abstract

Zoals veel wetenschappers en beoefenaren studie personalisatie en relatie marketing, is het belangrijk om personalisatie zoals massa aanpassing door middel van marketing technologie te bieden. Het doel van deze studie is om te onderzoeken hoe consumentenonderzoek uit te voeren met behulp van een online enquête en analyse van gegevens. Deze studie onderzoekt de waargenomen voordelen van de consument bij het aanpassen van een product, evenals een emotionele product binding, attitudes ten opzichte van een aanpassingsprogramma en loyaliteits intenties in de context van online verkoop. Daarnaast onderzoekt deze studie hoe consumenten reacties verschillend zijn op basis van individuele kenmerken zoals mode-innovativiteit. Een online enquête bedrijf in Zuid-Korea rekruteerde 290 vrouwelijke kleding kopers die online kleding kochten. Om de externe geldigheid te verbeteren, gebruikte deze studie een bestaande retail website met een goed opgezet massa aanpassingsprogramma. Na voltooiing van het aanpassingsprogramma vervolledigen de deelnemers de online vragenlijst. Vervolgens worden voor analyses structurele vergelijkings modellering (SEM) en latente gemiddelde analysen (Lma's) uitgevoerd. Deze studie benadrukt het belang van het testen van meet invariantie voor gemiddelde vergelijkingen. Vóór de SEM en LMA volgt deze studie de hiërarchie van invariantie tests (configurale invariantie test, metrische invariantie test en scalaire invariantie test), die niet worden beschouwd door traditionele benaderingen zoals ANOVA. Deze statistische analyses bieden de toepasbaarheid van de invariantie testprocedures en LMA aan het consumentengedrag. De conclusies van de gemiddelde verschillen hebben integriteit en geldigheid, omdat ze worden geleid door een geavanceerde statistische procedure om meet invariantie te waarborgen.

Introduction

Massa aanpassing heeft betrekking op het vermogen van een e-retailer om producten, diensten en de transactionele omgeving aan te passen aan individuele klanten¹. De consumenten van vandaag zijn niet tevreden met standaard producten, en veel retailers hebben dit erkend. Het aanbieden van een massale aanpassingsoptie is een methode om klantenbinding en competitieve voordelen²te verkrijgen. Massale aanpassing als een marketing tactiek stelt consumenten in staat om hun eigen producten te creëren op basis van specifieke behoeften en biedt dus geïndividualiseerde producten of diensten³. Consumenten kunnen bijvoorbeeld niet alleen een paar schoenen kopen die massa produceren, maar ze kunnen ook een nieuw en uniek paar schoenen maken die niet beschikbaar zijn op reguliere Retail websites door de kleur, stof en andere ontwerp componenten te kiezen. Dientengevolge, consumenten kunnen kopen gunstiger producten, en hun tevredenheid met het op maat gemaakte product evenals merkloyaliteit verhogen^4,5.

Met toenemend gebruik van het internet is het massa aanpassingsproces sneller en efficiënter geworden in termen van het verlagen van de productietijd en het bieden van meer ontwerpopties met dezelfde kosten. Bovendien, retailers kunnen informatie over wat hun doel klanten de voorkeur te verkrijgen en dus sterke relaties met hen op te bouwen^6,7. Als zodanig hebben veel industrieën (d.w.z. kleding, schoenen, auto's en computers) aanpassingsprogramma's aangenomen. Hoewel massa-aanpassing zowel de consumenten als de detailhandelaren ten voorkomt, staan sommige retailers voor uitdagingen⁸. Daarom is het noodzakelijk om te onderzoeken hoe consumenten voordelen waarnemen en hoe deze voordelen invloed hebben op andere winkel reacties op lange termijn succes.

Tekening op de hiërarchie van effecten (hoe) model van overtuigingskracht theorieën⁹, deze studie stelt voor dat consumenteninformatie verwerken op basis van cognitie-invloed-conation sequentie. Specifiek, deze studie onderzoekt (na het creëren van een massa-aangepast product) of gepercipieerde voordelen van de consument (cognitie) beïnvloeden loyaliteit intenties (conation) door middel van product Attachment en de houding ten opzichte van een massa aanpassingsprogramma (invloed) . Op basis van de motivatie theorie¹⁰worden gepercipieerde voordelen onderverdeeld in extrinsieke en intrinsieke voordelen¹¹.

Extrinsieke voordeel heeft betrekking op de gepercipieerde waarde van een consument die is afgeleid van het gebruik van een product¹² (dus een nauwe waarde voor de productkwaliteit¹¹), terwijl intrinsiek voordeel duidt op een prettige ervaring bij het gebruik van een product¹¹. In een context van massa aanpassing wordt extrinsieke voordeel geassocieerd met het product dat een consument creëert, en intrinsiek voordeel is gerelateerd aan de aanpassings ervaring die voldoet aan hedonistische en ervaringsgerichte behoeften^13,14. Voorafgaand onderzoek heeft geconstateerd dat de waargenomen voordelen van de consument de emotionele product bijlage¹⁵ en een positieve houding ten opzichte van een massa aanpassingsprogramma¹⁶verbeteren. Emotionele product Attachment verwijst naar een emotionele band die consumenten verbinden met een product¹⁷, wat een positieve invloed heeft op attitudes ten opzichte van het aanpassingsprogramma¹⁸ en loyaliteits intenties¹⁹. Bovendien beïnvloeden attitudes ten opzichte van een aanpassingsprogramma positieve loyaliteits intenties²⁰.

Ten slotte onderzoekt deze studie hoe een individueel kenmerk (d.w.z. mode-innovativiteit) de reacties van de consument verschillend beïnvloedt. Mode-innovativiteit verwijst naar de mate waarin de innovatieve tendens van een individu de adoptie van een nieuwe mode-item²¹beïnvloedt. Onderzoek bevindingen tonen aan dat consumenten die willen voorkomen dat de conformiteit (dat wil zeggen, zeer mode innovatieve consumenten) gemotiveerd zijn om unieke producten te verwerven, wat aangeeft dat massa-aanpassing een effectieve tactiek kan zijn om zich van anderen te onderscheiden ²². Daarom gaat deze studie ervan uit dat er een groter aantal positieve reacties zal worden gegenereerd voor innovatieve consumenten met een hoge mode.

Op basis van eerdere literatuur beoordelingen, deze studie behandelt de volgende onderzoek hypotheses. H1: waargenomen voordelen (a: extrinsieke voordeel, b: intrinsiek voordeel) van een massa op maat gemaakt product zal positief beïnvloeden emotionele product Attachment; H2: waargenomen voordelen (a: extrinsieke voordeel, b: intrinsiek voordeel) van een massa op maat gemaakt product zal de houding ten opzichte van een massa aanpassingsprogramma positief beïnvloeden; H3: emotionele product Attachment zal de houding ten opzichte van een massa aanpassingsprogramma positief beïnvloeden; H4: emotionele product Attachment zal positieve invloed hebben op loyaliteits intenties; H5: houding ten opzichte van een massa aanpassingsprogramma zal positieve invloed hebben op loyaliteits intenties; en H6: vergeleken met low Fashion innovativiteit zullen High Fashion innovators positievere reacties krijgen op (a) gepercipieerde voordelen, (b) emotionele product gehechtheid, (c) attitudes, en (d) gedrags intenties.

Om de externe geldigheid te verbeteren, maakt deze studie gebruik van een bestaand programma voor massa aanpassing. Potentiële deelnemers in Zuid-Korea worden gerekruteerd voor deze studie en worden gevraagd om hun eigen trenchcoat te maken met behulp van een programma alsof ze het product daadwerkelijk hebben gekocht. Om de antwoorden van de deelnemers te verkennen op basis van hun aanpassings ervaringen, maakt deze studie gebruik van een online enquête. Deelnemers hebben direct toegang tot de vragenlijst nadat ze het aanpassingsprogramma online hebben gebruikt. Na het verzamelen van gegevens gebruikt de studie single-Group SEM om de effecten van consumenten voordelen op product bijlage, houding en loyaliteits intenties te onderzoeken. Om de modererende rollen van mode-innovativiteit te onderzoeken, gebruikt de studie Lma's.

Protocol

Dit onderzoek werd vrijgesteld van de IRB Review aan de Ewha Womans University en werd toegewezen protocolnummer #143-18.

1. werving van deelnemers

1. Bereid u voor om een online enquête uit te voeren.
   Opmerking: Een online enquête werd uitgevoerd met een onderzoeksbureau in Zuid-Korea. Het onderzoeksbureau heeft het grootste consumentenpanel met hoge responspercentages in Korea. Leeftijds-en gender verdelingen in het paneel weerspiegelen de toestand van de Koreaanse bevolking. Het consumentenpanel heeft een hoge mate van betrouwbaarheid door de verificatie van echte namen. Omdat het onderzoeksbedrijf het panel voortdurend beheert met verschillende innovatieve methoden, is de loyaliteit van het panel aan het onderzoeksbedrijf hoog; Daarom is het bekend dat enquêteresultaten die door het bedrijf zijn verkregen zeer betrouwbaar zijn.
2. Rekruteer vrouwelijke consumenten die ervaring hebben met winkelen voor kleding online.
   Opmerking: Vrouwelijke consumenten in Korea besteden een hoog percentage van de inkomsten op kleding winkelen, en winkelgedrag meestal online²³. Daarom is het selecteren van deze groep als deelnemers voor deze studie geschikt.
3. Stuur een uitnodigingsmail naar de deelnemers met informatie over het doel van de studie en de zekerheid van de vertrouwelijkheid van hun antwoorden.
4. Stuur richtlijnen naar degenen die ermee instemmen deel te nemen aan de enquête waarin wordt getoond hoe u trenchcoat maakt met behulp van het aanpassingsprogramma (Zie afbeelding 1).
   Opmerking: Om potentiële situaties te voorkomen waarin deelnemers moeilijkheden ondervinden met het aanpassingsprogramma, stuurde een moderator van het onderzoeksbureau de richtlijnen. Bovendien noemde de moderator de deelnemers en legde de aanpassingsprocedure uit terwijl de deelnemers de richtlijnen herbekeken.
5. Vraag de deelnemers om een screenshot van de gemaakte trenchcoat vast te leggen en geef een prijs voor de vacht om ervoor te zorgen dat ze daadwerkelijk een trenchcoat maken in het aanpassingsprogramma.
6. Een koppeling verzenden die is gekoppeld aan het e-Mass aanpassingsprogramma op een bestaande shopping-website wanneer de deelnemers de procedure begrijpen.
7. Geef het volgende scenario aan de deelnemers: "Stel je voor dat je goed genoeg bent om sympathiek kleding te kopen en een trenchcoat moet kopen om een belangrijke vergadering bij te wonen. U wilt een unieke trenchcoat maken. Tijdens het surfen op het Internet, kom je over de perfecte kleding website die een massa aanpassingsprogramma heeft ".
   Opmerking: Deze stap is nodig om de betrokkenheid niveaus te verhogen en controle producttype en de perceptie van de consument van productprijs.
8. Sta deelnemers 24 uur toe om een trenchcoat te maken na het lezen van het scenario.
   Opmerking: Deelnemers zijn vrij om een trenchcoat te maken door te kiezen voor een voorkeur algemene stijl, kraag, vacht lengtes, mouw lengte, zakken, stof, en voering in het geval dat ze het daadwerkelijk zal kopen. Als ze problemen hebben met het maken van een jas in het aanpassingsprogramma, mogen ze de moderator op elk moment tijdens de periode van 24 uur bellen en vragen.
9. Activeer de enquêtekoppeling na 24 uur zodat deelnemers die klaar zijn om de enquête in te nemen (d.w.z. degenen die klaar zijn met het vastleggen van het screenshot van de trenchcoat die ze hebben gemaakt) op de enquêtekoppeling kunnen klikken.

Afbeelding 1: aanwijzingen voor het gebruik van het e-Mass aanpassingsprogramma. Deelnemers van online survey Lees de aanwijzingen over het maken van de trenchcoat met behulp van het aanpassingsprogramma en volg de stappen 1 – 8. Klik hier om een grotere versie van dit cijfer te bekijken.

2. enquête procedure

1. Vraag de deelnemers om het screenshot en de prijs van de trenchcoat te uploaden die ze op de eerste pagina van de enquête hebben gemaakt (Zie Figuur 2).
   Opmerking: Alleen deelnemers die de schermafbeelding uploaden, kunnen toegang krijgen tot de vragenlijst.
2. Vraag de deelnemers om de online vragenlijst af te ronden met betrekking tot waargenomen voordelen, emotionele gehechtheid aan het aangepaste product, houding ten opzichte van het aanpassingsprogramma, loyaliteits intenties en demografische vragen (Zie tabel 1).
3. Geef een beloning aan degenen die de enquête invullen.
   Opmerking: Hier ontvingen deelnemers een beloning van ₩10.000 (over ons $10) voor deelname. Deelnemers die de enquête stoppen of de screenshot en prijs niet verstrekken, ontvangen ₩1.000 (over ons $1).

Afbeelding 2: voorbeelden van Trench Coats gemaakt met behulp van de e-Mass aanpassingsprogramma. Deelnemers creëerden Trench Coats door het selecteren van een voorkeurs halsband, lengte, stof, etc., gevolgd door het uploaden van een screenshot van de trenchcoat creatie. Klik hier om een grotere versie van dit cijfer te bekijken.

Extrinsieke voordeel (Franke et al., 2009)

in vergelijking met het standaard product zou het op maat gemaakte product ___________ zijn.

1. beter voldoen aan mijn eisen

2. beter aan mijn persoonlijke voorkeuren voldoen

3. meer kans om de beste oplossing voor mij te zijn

Intrinsiek voordeel (Franke en Schreier, 2010)

1. Ik heb genoten van deze ontwerp activiteit erg veel

2. Ik dacht dat het ontwerpen van het product heel plezierig was

3. het ontwerpen van dit product was zeer interessant

Emotionele product Attachment (Thomson et al., 2005)

In vergelijking met het standaard product van dit merk, kan mijn gevoel in de richting van het op maat gemaakte product worden gekenmerkt door ___________.

1. genegenheid

2. aansluiting

3. passie

4. betoging

Houding ten opzichte van een massa aanpassingsprogramma (Li et al., 2001)

Het programma voor massa-aanpassing op deze website was ___________.

1. onaantrekkelijk e aantrekkelijk

2. onaangename e aangenaam

3. onaantrekkelijk e aantrekkelijk

4. dislikable e verteerbaar

Loyaliteits intenties (Kwon en Lennon, 2009)

1. Ik zou in de nabije toekomst een op maat gemaakt product in dit aanpassingsprogramma kopen

2. Ik zou dit aanpassingsprogramma aan vrienden of familieleden aanbevelen

3. Ik zou terugkeren naar deze website en een product in de nabije toekomst aanpassen

Betrokkenheid van het product (Zaichkowsky, 1985)

Voor mij is kleding ___________.

1. onbelangrijk e belangrijk

2. saai e interessant

3. onaantrekkelijk e aantrekkelijk

4. niet nodig e nodig

5. onspannende e exciting6. Waardeloos e waardevol

Mode-innovativiteit (Park et al., 2007)

1. over het algemeen ben ik de laatste in mijn vriendenkring om de namen van de nieuwste nieuwe mode te kennen (R)

2. over het algemeen ben ik een van de laatste in mijn vriendenkring om een nieuw mode-item te kopen wanneer het verschijnt (R)

3. in vergelijking met mijn vrienden, ik heb nieuwe mode items.

4. Ik ken de namen van nieuwe mode ontwerpers voor andere mensen.

5. als ik hoorde dat er een nieuw mode-item beschikbaar was in de winkel, zou ik geïnteresseerd genoeg zijn om het te kopen.

6. Ik zal een nieuw modeartikel kopen, zelfs als ik het nog niet eerder heb gezien.

(R) omgekeerde codering

Tabel 1: meetschaal. Deze tabel is eerder gebruikt²⁹.

3. voorbereiding van de gegevens

1. Sla de enquêtegegevens op in een SPSS-bestand als "Data_TOTAL. sav" (Zie Figuur 3), dat alle reacties van deelnemers aan enquêtes bevat. Verwijder aanvragen die ontbrekende waarden bevatten. Gebruik de opgeschoond gegevens om een SEM-analyse uit te voeren.
2. Scheid de totale gegevens in twee gegevensbestanden: High en low Fashion innovatieve groepen. Gebruik een mediane splitsing. Som en gemiddelde van de scores van zes items van mode-innovativiteit, en bereken de mediane Score van mode-innovativiteit (med = 4,17).
   Opmerking: Mediaan splitsing wordt vaak gebruikt in psychologie en marketing onderzoek, en het gebruik van een mediane splitsing voor een continue variabele om te onderzoeken groeps verschillen is geldig²⁴.
3. Klik op "Recoderen in verschillende variabelen" onder het menu "transformeren". Creëer een nieuwe variabele, "Fashion Innovative Group (FIG)", door te coderen "1 (Low Fashion Innovative Group)" als de gemiddelde score lager is dan de mediaan (bijv. mediaan = 4,17), of door codering "2 (High Fashion Innovative Group)" als deze hoger is dan de mediaan (Zie Figuur 4 ).
4. Klik op "splitsen in bestanden" in het menu "gegevens", dubbelklik op de variabele "Fashion Innovative Group (FIG)" om het te verplaatsen naar de "splitsen aanvragen door" veld, en wijs de "Uitvoerbestandsmap" locatie om de bestanden op te slaan (Zie afbeelding 5).
5. Sla "1. sav" en "2. sav" op in de toegewezen map. Wijzig de bestandsnamen in "Data_low Fashion innovativiteit. sav" en "Data_high Fashion innovativiteit. sav" om beide te gebruiken voor LMA.

Figuur 3: Data_TOTAL. De gegevens omvatten antwoorden van alle deelnemers (n = 290) gebruikt voor SEM-analyse. Klik hier om een grotere versie van dit cijfer te bekijken.

Figuur 4: het creëren van de nieuwe variabele "Fashion Innovative Group (Fig)". De nieuwe variabele (FIG) werd gemaakt door codering "1 (Low Fashion Innovative Group)" en "2 (High Innovative Group)". Klik hier om een grotere versie van dit cijfer te bekijken.

Afbeelding 5: splitsen van de gegevensset in twee gegevensbestanden. Het totale gegevensbestand, "Data_TOTAL", werd onderverdeeld in "Data_low Fashion innovativiteit. sav" en "Data_high Fashion innovativiteit. sav" bestanden voor later gebruik in een LMA. Klik hier om een grotere versie van dit cijfer te bekijken.

4. uitvoeren van een bevestigende factor analyse (CFA)

1. Voer één groep CFA uit met het vijf ledige meet model om de convergerende geldigheid te bevestigen. Klik op "Selecteer gegevensbestand (en) | Data_TOTAL. sav ". Ontwikkel het meet model op basis van de onderzoeksvragen.
   1. Het meet model omvat vijf latente variabelen (d.w.z. extrinsieke voordeel, intrinsiek voordeel, emotionele product binding, attitudes ten opzichte van een massa aanpassingsprogramma en loyaliteits intenties) en 17 waargenomen variabelen (drie waargenomen variabelen voor Extrinsieke voordeel, drie voor intrinsiek voordeel, vier voor emotionele product gehechtheid, vier voor attitudes ten opzichte van een massa aanpassingsprogramma, en drie voor loyaliteits intenties). Stel varianties van de latente variabelen in als "1" (Zie Figuur 6 en Figuur 7). Klik op schattingen berekenen.
2. Controleer de fit-indexen van het meet model uit de resultaten van de enkelvoudige groep CFA: goedheid-van-fitindex (GFI), aangepaste goedheid-van-fitindex (AGFI), genor te fit index (NFI), Tucker-Lewis index (TLI), vergelijkende pasvorm index (CFI) en root mean Square Error van benadering (RMSEA).

Figuur 6: model specificatie voor bevestigende factor analyse. Klik hier om een grotere versie van dit cijfer te bekijken.

Figuur 7: meet model voor bevestigende factor analyse. Het meet model voor CFA werd gecreëerd met het AMOS programma. De variantie van latente variabelen werd ingesteld als "1". Klik hier om een grotere versie van dit cijfer te bekijken.

5. een SEM uitvoeren

1. Voer een SEM uit om de relaties tussen de latente variabelen te testen. Klik op "Selecteer gegevensbestand (en) | Data_TOTAL. sav ". Ontwikkel de SEM op basis van de onderzoeksvragen, waaronder vijf latente variabelen en 17 waargenomen variabelen.
2. Teken pijlen van "Extrinsic_V" en "Intrinsic_V" naar "EP_Attachment" en "Attitude_MP", evenals van "EP_Attachment" en "Attitude_MP" naar "loyaliteit". Voeg drie niet-waargenomen variabelen toe, namelijk "Z1" als voorspeller van "EP_Attatchment", "Z2" als voorspeller van "Attitude_MP", en "Z3" als voorspeller van "loyaliteit" (Zie Figuur 8, Figuur 9). Klik op "schattingen berekenen". Controleer de "schattingen" en de pasvorm indexen van het model.

Afbeelding 8: model specificatie voor structurele vergelijkings modellering. Klik hier om een grotere versie van dit cijfer te bekijken.

Figuur 9: structurele vergelijking modellering analyse. Klik hier om een grotere versie van dit cijfer te bekijken.

6. uitvoeren van invariantie tests voor LMA

1. Om de High en low Fashion innovatieve groepen te vergelijken, voert u een LMA uit op basis van multi-groep bevestigingsfactor analyse (MGCFA). Voordat de LMA, test configurale invariantie, metrische invariantie, en scalaire invariantie tussen beide groepen²⁵.
2. Het maken van het multi-groep meet model: Maak het meet model (d.w.z. het model voor MGCFA) met twee groepen met de naam "hoog" en "laag" onder "groepen beheren". Selecteer de gegevensbestanden voor de groepen op de volgende manier: "Data_low Fashion innovativiteit. sav" voor de low Fashion Innovative Group en "Data_high Fashion innovativiteit. sav" voor de High Fashion Innovative Group (Zie Figuur 10).

Afbeelding 10: gegevensbestanden voor groepen selecteren. Het meet model voor MGCFA is gemaakt en twee gegevensbestanden ("Data_low Fashion innovativiteit. sav" en "Data_high Fashion innovativiteit. sav") zijn geüpload. Klik hier om een grotere versie van dit cijfer te bekijken.

3. Testen van configurale invariantie
   Opmerking: als de structuur van de meet modellen in beide groepen dezelfde vorm heeft (d.w.z. dezelfde afmetingen en dezelfde patronen van vaste en niet-vaste waarden), wordt aan de configurale invariantie voldaan (Zie Figuur 11). Als de pasvorm van het meet model bevredigend is, gaat u verder met de volgende stap voor het controleren van metrische invariantie²⁶.
   1. Voer het CFA uit met het eerder voorgestelde vijf ledige meet model voor elke groep. Klik op "schattingen berekenen". Controleer de "schattingen" en fit indices van beide modellen. Als de pasvorm van beide modellen bevredigend is en de factor coëfficiënten significant zijn, gaat u verder met de volgende stap.
   2. Voer MGCFA uit met het vijf ledige meet model als basismodel. Fix "1" voor de factor coëfficiënt van elke latente variabele tot de eerste waargenomen variabele en laat de andere factor coëfficiënten vrij. Klik op "schattingen berekenen".
   3. Controleer de "schattingen" van de twee groepen en de indexcijfers van het model. Als de pasvorm van het model bevredigend is en de factor coëfficiënten significant zijn, is de configurale invariantie vervuld. Ga vervolgens verder met de volgende stap waarbij de metrische invariantie test wordt uitgevoerd.

Figuur 11: gelijke afmetingen en vormen van de meet modellen in twee groepen. A) model voor de High Fashion Innovative Group en (B) model voor de low Fashion Innovative Group. Klik hier om een grotere versie van dit cijfer te bekijken.

4. Metrische invariantie testen
   Opmerking: de test van metrische invariantie evalueert of de factor coëfficiënten die latente variabelen aan waargenomen variabelen koppelen, gelijk zijn tussen groepen.
   1. Voor de test van metrische invariantie, corrigeer de factor coëfficiënten tussen groepen. Voer dezelfde naam voor dezelfde coëfficiënten in voor groepen (bijvoorbeeld "a" voor Extrinsic_V | E2, "j" voor EP_Attachment | EA4-, Zie Figuur 12). Klik op "schattingen berekenen". Controleer de "schattingen" van de twee groepen en de indexcijfers van het model.
   2. Voer een Chi-Square verschil test uit door het volledige metrische invariantie model (d.w.z. het model met vaste factor coëfficiënten tussen groepen) te vergelijken met het configurale invariantie model (d.w.z. het model met vrije factor coëfficiënten over de hele groep). Als het Chi-kwadraat verschil niet-significant is, wordt de metrische invariantie voldaan. Ga vervolgens verder met de volgende stap waarbij de scalaire invariantie test^25,26,27wordt uitgevoerd.

Afbeelding 12: vaststelling van de factor coëfficiënten tussen groepen. Door dezelfde naam voor dezelfde coëfficiënten over groepen in te voeren, werden de factor coëfficiënten ingetogen. Klik hier om een grotere versie van dit cijfer te bekijken.

5. Scalaire invariantie testen
   Opmerking: scalaire invariantie betekent dat 1) dezelfde waarden op de latente constructie worden geassocieerd met dezelfde waarden op de waargenomen variabele en 2) de verschillen in de middelen van de waargenomen variabelen zijn afgeleid van de gemiddelde verschillen van de latente variabelen. Als u scalaire invariantie wilt testen, beperkt u de onderschept van waargenomen variabelen zodat deze gelijk zijn voor groepen²⁸.
   1. Klik op "analyse-eigenschappen" in het menu "weergave". Klik op het tabblad "raming" en vink "geschatte middelen en intercepts" aan. Klik met de rechtermuisknop op elke waargenomen variabele en kies "object eigenschappen". Selecteer het tabblad "parameters" en voer de parameternamen in zoals "int_e1" en "int_ea1" in de tekstvakken onderscheppen (Zie afbeelding 13).
   2. Een Chi-Square verschil test uitvoeren door vergelijking van de volledige metrische/volledige scalaire invariantie model (dat wil zeggen, het model met vaste onderschept van waargenomen variabelen en vaste factor coëfficiënten tussen groepen) met de volledige metrische invariantie model (dat wil zeggen, het model met vaste factor coëfficiënten over de hele groep). Als het Chi-kwadraat verschil niet-significant is, wordt voldaan aan de volledige metrische/volledige scalaire invariantie.
      Opmerking: Hier wordt een specifieke hiërarchie (configurale invariantie test, metrische invariantie test, scalaire invariantie test) gebruikt. Zodra elke invariantie test is vervuld, voert u de LMA uit met behulp van het uiteindelijk geselecteerde model (d.w.z. het volledige metrische/volledige scalaire invariantie model).

Afbeelding 13: parameternamen invoeren in het tekstvak onderscheppen.
Klik hier om een grotere versie van dit cijfer te bekijken.

7. een LMA uitvoeren

1. Voer een LMA uit door gebruik te maken van de volledige scalaire/volledige metrische invariantie model^27,28. Om de middelen van latente variabelen te vergelijken, moet u het middel van latente variabelen in één groep oplossen en ze vrij laten in de andere groep.
2. Maak een schatting van de gemiddelde verschillen tussen groepen door een van de gemiddelden voor een referentie groep op nul te brengen en vervolgens de gemiddelde waarden voor de andere groep te schatten. Dus, bevestig de middelen van alle latente variabelen in de low Fashion innovatieve groep op nul. Het is belangrijk om ervoor te zorgen dat de middelen voor latente variabelen in de High Fashion Innovative Group vrij zijn en dat hun varianties in beide groepen vrij zijn (Zie Figuur 14).
3. Klik op "schattingen berekenen". Controleer de "schattingen" van de twee groepen en de indexcijfers van het model.
4. Klik op "tekst weergeven" en controleer het middel van latente variabelen in de High Fashion Innovative Group onder "schattingen" (Zie Figuur 15).

Figuur 14: de latente variabele gemiddelden en varianties instellen. (A) High Fashion Innovative Group en (B) low Fashion innovatieve groep. Klik hier om een grotere versie van dit cijfer te bekijken.

Afbeelding 15: output voor latent betekent analyse. Klik hier om een grotere versie van dit cijfer te bekijken.

Results

De frequentie statistieken boden de kenmerken van het monster aan. In totaal hebben 290 vrouwelijke online consumenten het winkelproces voltooid met behulp van het e-Mass aanpassingsprogramma. De demografische kenmerken van het monster werden gelijkmatig verdeeld. Op leeftijdsgroep was 23,1% in de twintig, 28,3% in de jaren dertig, 26,6% in hun fourties en 22,1% in de jaren vijftig. Door huwelijkse status, 58,3% was getrouwd, terwijl 40% single waren. Door bezetting, 45,2% waren kantoormedewerkers, 22,8% warenhuis vrouwe...

Discussion

Implicaties van de bevindingen
De bevindingen van deze studie tonen aan dat de extrinsieke en intrinsieke voordelen van consumenten die voortvloeien uit het creëren van een op maat gemaakt product de groei van emotionele gehechtheid aan het product helpen, het creëren van een positieve houding ten opzichte van het aanpassingsprogramma, en toegenomen loyaliteits intenties. De bevindingen over de modererende effecten van mode-innovativiteit onthullen dat in vergelijking met consumenten in een low Fashio...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
SPSS AMOS 22	IBM Corporation, Data Solution Inc.		gebruikt voor bevestigende factoranalyses, structurele vergelijkingenmodelleringsanalyses en latente gemiddelde analyses