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

Ons protocol vereist dat deelnemers massa-aanpassing ervaren voordat ze een enquête invullen en gebruikt de enquêtegegevens om de relaties tussen consumentenreacties te testen. Het protocol maakt het mogelijk consumentengegevens toe te passen op structurele vergelijkingsmodellering en latente middelenanalyse om geavanceerde statistische gegevens te verkrijgen en de geldigheid van het onderzoek te verhogen. Onze studie zal profiteren van onderzoek naar de effecten van retail- of marketingtechnologie op de reacties van consumenten.

Hoewel het testen van verschillende invariantietests zoals configurale, matrix- en scalaire invariantie moeilijk kan zijn, adviseren we geduld en het volgen van deze procedure zeer zorgvuldig om de kwaliteit van de gegevens te verhogen. Het aantonen van de procedure zal Hiyun Kim zijn, een student van de rang A uit mijn laboratorium. Gebruik een online enquête om vrouwelijke consumenten te werven die een online kledingwinkelervaring hebben.

Stuur een uitnodigingsmail naar in aanmerking komende deelnemers met informatie over het doel van het onderzoek en een garantie van de vertrouwelijkheid van de antwoorden. Stuur richtlijnen naar deelnemers aan de enquête die overeenkomen deel te nemen aan een enquête die laat zien hoe u trenchcoats maken met behulp van het aanpassingsprogramma. Deelnemers die overeenkomen deel te nemen aan de enquête starten de enquêteprocedure.

Ze ontvangen een link die is aangesloten op de eMass Customization programma in een bestaande shopping website, en wordt gevraagd om voor te stellen dat je goed af genoeg om sympathieke kleding te kopen en hebben om een trench coat te kopen om een belangrijke vergadering bij te wonen. U zult een unieke trenchcoat willen creëren. Tijdens het surfen op het internet, kom je over de perfecte kleding website die een massa aanpassingsprogramma heeft.

Activeer 24 uur na ontvangst van het scenario de enquêtelink zodat deelnemers die klaar zijn met hun trenchcoat en klaar zijn om de enquête in te vullen, op de enquêtelink kunnen klikken. In de enquête, hebben de deelnemers uploaden van de screenshot en de prijs van de trench coat ze gemaakt naar de eerste pagina van de enquête. Laat de deelnemers vervolgens de online vragenlijst invullen over de waargenomen voordelen en emotionele gehechtheid aan het aangepaste product en de houding ten opzichte van het aanpassingsprogramma, loyaliteitsintenties en demografische vragen.

Geef een geldelijke beloning aan de deelnemers die de enquête invullen. Wanneer alle enquêtes zijn voltooid, slaat u de enquêtegegevens op in een SPSS-bestand met alle antwoorden van de deelnemers aan de enquête en gebruikt u de gereinigde gegevens om een structurele vergelijkingsmodelanalyse uit te voeren. Met behulp van een mediane split, som en gemiddelde van de scores van zes items van de mode innovativeness en berekenen van de mediane score van mode-innovatie.

Klik onder het transformatiemenu op opnieuw coderen in verschillende variabelen en code één voor een innovatieve groep met lage mode als de gemiddelde score lager is dan de mediaan. Dubbelklik op de mode-innovatieve groepsvariabele om deze naar de gesplitste hoesjes per veld te verplaatsen. Wijs vervolgens de locatie van de uitvoerbestandsmap toe om de bestanden op te slaan als Data_low mode-innovatie.

sav en Data_high mode-innovatie. sav in de toegewezen map. Als u de convergente geldigheid wilt bevestigen, klikt u op Gegevensbestanden selecteren Data_TOTAL.sav.

Ontwikkel het meetmodel op basis van de onderzoeksvragen met vijf latente variabelen en 17 waargenomen variabelen. Stel elk van de varianties van de latente variabelen in als één en klik op schattingen berekenen. Controleer vervolgens de fit index van het meetmodel op basis van de resultaten van de enkele groep confirmatieve factoranalyse, goedheid van fit index, aangepaste goedheid van fit index, normed fit index, Tucker Lewis index, vergelijkende fit index en root gemiddelde vierkante fout van de benadering.

In deze representatieve analyse werd één enkele groepsbevestigingsfactoranalyse uitgevoerd met vijf latente variabelen en 17 waargenomen variabelen. Alle kritische ratio's van de factorcoëfficiënten waren aanzienlijk, hetgeen impliceerde dat de convergente geldigheid werd bereikt. De fit indexen van een enkele groep structurele vergelijking modellering bleek een aanvaardbare pasvorm.

De overgang van de bevestigingsfactoranalyse van één groep naar multigroep confirmatieve factoranalyse om het vijffactormeetmodel voor beide groepen te valideren, toont aan dat de configureerinvariantie is bereikt en dat alle kritische ratio's van de factorcoëfficiënten significant waren. Om de statistiek invariantie te testen, werden de factorcoëfficiënten beperkt tot dezelfde in twee groepen en werd een andere multigroep confirmatieve factoranalyse uitgevoerd, wat aangeeft dat een chi-vierkant verschil van 14.728 niet significant was en dat de metrische invariantie was voldaan. Aangezien het metrische invariantiemodel werd geaccepteerd, werd scalaire invariantie getest.

Aangezien het volledige metrische/volledige scalaire invariantiemodel was genest in het volledige metrische invariantiemodel, werd een chi-square verschiltest uitgevoerd, waaruit bleek dat een chi-vierkant verschil van 11,18 niet significant was en dat scalaire invariantie werd voldaan. Aangezien de configureervariantie, metrische invariantie en scalaire invariantie werden bereikt, werd een latente gemiddelde analyse uitgevoerd en werden de middelen van vijf latente variabelen voor de hoge innovatieve groepen vastgesteld als positieve waarden die aanzienlijk hoger waren dan die voor de low fashion innovatieve groepen. De massa aanpassing programma kan moeilijk lijken, afhankelijk van de perceptie van een individu van de taak complexiteit.

Vergeet niet om voldoende tijd te bieden voor de deelnemers om te acclimatiseren aan het aanpassingsprogramma. Als u groepsverschillen in de relaties tussen latente variabelen wilt aanpakken, kunnen structurele vergelijkingsmodellering voor meerdere groepen worden uitgevoerd om coëfficiënten uit het verleden tussen de groepen te vergelijken. De meeste onderzoekers hebben de meervoudige groep structurele vergelijking modellering gebruikt voor groepsvergelijkingen.

Onze studie biedt een andere manier voor meerdere groepsvergelijkingen die moeten worden uitgevoerd in een sociaalwetenschappelijk gebied.